論文の概要: Contact-Rich Robotic Manipulation in Construction via Zero-Shot Learning: A Diffusion Policy-Guided Adaptive Control

• arxiv url: http://arxiv.org/abs/2608.22100v1
• Date: Sat, 22 Aug 2026 20:41:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.610483
• Title: Contact-Rich Robotic Manipulation in Construction via Zero-Shot Learning: A Diffusion Policy-Guided Adaptive Control
• Title（参考訳）: ゼロショット学習による建築におけるコンタクトリッチロボットマニピュレーション:拡散政策誘導型適応制御
• Abstract要約: 本稿では,L1にインスパイアされた適応制御器を用いて,シミュレーション生成されたポーズと力/トルクデータに基づいて学習したフレームワーク結合拡散ポリシーを提案する。 木質接合, パイプ嵌合, および連続的なフルスケールトラス組立における基線に対するフレームワークのベンチマークを行った。 単一タスクアセンブリで100%成功し、シーケンシャルトラスアセンブリサブタスクで90-100%成功し、ベースラインよりも低い安定した接触力を持つ。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Construction robotics and automation offer promising means of improving productivity, alleviating workforce shortages, and reducing workers' exposure to physically demanding tasks. However, reliable contact-rich robotic assembly remains challenging under tight tolerances, fabrication inaccuracies, and uncertain contact dynamics. To address this challenge, we present a framework coupling diffusion policies trained on simulation-generated pose and force/torque data with an L1-inspired adaptive controller that corrects policy-predicted actions online to compensate for unmodeled contact dynamics. We benchmark the framework against baselines in timber joinery, pipe fitting, and sequential full-scale truss assembly. It achieves 100% success on single-task assemblies and 90-100% success across sequential truss assembly subtasks, with lower, more stable contact forces than the baselines. By enabling zero-shot sim-to-real transfer for force-aware contact-rich assembly, the framework reduces costly, labor-intensive real-world data collection for policy training and advances scalable, robust automation of multistage assembly, motivating extension to broader contact-rich manipulation tasks in construction.
• Abstract（参考訳）: 建設ロボティクスと自動化は、生産性を改善し、労働力不足を軽減し、物理的に要求されるタスクへの労働者の露出を減らす有望な手段を提供する。 しかし、信頼性の高いコンタクトリッチロボット組立体は、厳密な耐性、製造不正確さ、不確実な接触ダイナミクスの下では困難である。 この課題に対処するために、シミュレーション生成されたポーズと、L1にインスパイアされた適応制御器を用いて、非モデル化された接触ダイナミクスを補うために、オンラインのポリシー予測動作を補正するフレームワーク結合拡散ポリシーを提案する。 木質接合, パイプ嵌合, および連続的なフルスケールトラス組立における基線に対するフレームワークのベンチマークを行った。 単一タスクアセンブリで100%成功し、シーケンシャルトラスアセンブリサブタスクで90-100%成功し、ベースラインよりも低い安定した接触力を持つ。 このフレームワークは、力量対応のコンタクトリッチアセンブリのためのゼロショットシム・トゥ・リアル転送を可能にすることにより、ポリシートレーニングのためのコストが高く、労働集約的な実世界のデータ収集を削減し、スケーラブルで堅牢なマルチステージアセンブリの自動化を推進し、建設中のより広範なコンタクトリッチな操作タスクへの拡張を動機付ける。

関連論文リスト

• EXPO-FT: Sample-Efficient Reinforcement Learning Finetuning for Vision-Language-Action Models [84.73890225707264]
  提案するEXPO-FTは,事前学習したVLAポリシーの安定かつサンプル効率の良いRL微調整システムである。 本システムは,オンラインロボットデータの平均19.1分以内の全ての評価課題に対して,完全なタスク性能(30/30の成功)を実現する。 我々は、ロボット工学におけるVLAモデルのより広範なRLファインタニング導入を促進することを目的とした、オープンソースのロバスト性をリリースする。
  論文  参考訳（メタデータ） (2026-05-25T06:31:03Z)
• ForceFlow: Learning to Feel and Act via Contact-Driven Flow Matching [53.30290192030814]
  ForceFlowは、フローマッチングに基づいて構築された、フォース対応のリアクティブフレームワークである。 ForceFlowは、強力なベースラインであるForceVLAよりも37%の成功率の向上を実現している。 また、接触力の自己調節において、正確な力信号予測と優れた性能を示す。
  論文  参考訳（メタデータ） (2026-05-11T13:27:00Z)
• Learning Reactive Dexterous Grasping via Hierarchical Task-Space RL Planning and Joint-Space QP Control [50.28263951510334]
  本稿では,リアクティブなデクスタリーグルーピングのためのハイブリッド階層型制御フレームワークを提案する。 提案手法は,低レベル共同実行から高レベル空間意図を明示的に分離する。 我々は厳密なシミュレーションと現実のパイプラインを通して提案したフレームワークを広範囲に検証する。
  論文  参考訳（メタデータ） (2026-05-05T04:49:38Z)
• Learning-Based Strategy for Composite Robot Assembly Skill Adaptation [39.146761527401424]
  本稿では,ペグ・イン・ホール・アセンブリのためのスキルベース戦略を提案する。 適応はResidual Reinforcement Learning (RRL)によって達成される 提案した定式化により、組立スキルの堅牢な実行が可能となり、産業自動化への適合性を強調した。
  論文  参考訳（メタデータ） (2026-04-08T11:13:00Z)
• ForceVLA2: Unleashing Hybrid Force-Position Control with Force Awareness for Contact-Rich Manipulation [75.39847750457626]
  エンドツーエンドの視覚言語アクションフレームワークであるForceVLA2は、ハイブリッドな力配置制御と明示的な力覚を備えたロボットを装備する。 学習と評価を支援するために,5つの接触豊富なタスクに1,000の軌道を含むForceVLA2-Datasetを構築した。 実験により、ForceVLA2は接触リッチな操作における成功率と信頼性を大幅に改善することが示された。
  論文  参考訳（メタデータ） (2026-03-16T12:03:58Z)
• ACLM: ADMM-Based Distributed Model Predictive Control for Collaborative Loco-Manipulation [9.708461585583791]
  重荷のロコ操作による共同輸送は、脚のあるロボットにとって難しいが必須の能力である。 本研究は,ロコマニピュレーションのための分散モデル予測制御フレームワークであるマルチプライアの交互方向法を提案する。
  論文  参考訳（メタデータ） (2026-03-07T08:06:51Z)
• RISE: Self-Improving Robot Policy with Compositional World Model [52.227523057681786]
  我々は、想像力によるロボット強化学習のスケーラブルなフレームワークRISEを紹介する。 中心となるのは構成的世界モデルであり、制御可能なダイナミクスモデルを通じて多視点の未来を予測し、(ii)進捗値モデルを用いて想像結果を評価する。 これらのコンポーネントはクローズドループの自己改善パイプラインに統合され、虚構のロールアウトを継続的に生成し、利点を推定し、コストのかかる物理的相互作用なしに虚構空間のポリシーを更新する。
  論文  参考訳（メタデータ） (2026-02-11T17:43:36Z)
• Learning-based Cooperative Robotic Paper Wrapping: A Unified Control Policy with Residual Force Control [11.21445976755808]
  本稿では,大規模言語モデルを用いた高レベルタスクプランナと,低レベルのハイブリッド模倣学習と強化学習ポリシを統合した学習ベースフレームワークを提案する。 中心となるのは、人間のデモンストレーションから統一されたポリシーを学ぶサブタスク認識ロボットトランスフォーマー(START)である。 統一型トランスフォーマーベースのポリシーは、特殊なモデルの必要性を減らし、制御された人間の監督を可能にし、変形可能なオブジェクト操作に必要なきめ細かい力制御によって、高レベルの意図を効果的に橋渡しすることを示す。
  論文  参考訳（メタデータ） (2025-11-05T04:55:35Z)
• ForceVLA: Enhancing VLA Models with a Force-aware MoE for Contact-rich Manipulation [62.58034332427291]
  ForceVLAは、新しいエンドツーエンド操作フレームワークである。 外部力センシングは、VLAシステム内の第一級のモダリティとして扱う。
  論文  参考訳（メタデータ） (2025-05-28T09:24:25Z)
• Generalize by Touching: Tactile Ensemble Skill Transfer for Robotic Furniture Assembly [24.161856591498825]
  TEST(Tactile Ensemble Skill Transfer)は、制御ループに触覚フィードバックを組み込んだオフライン強化学習(RL)アプローチのパイオニアである。 TESTの中核となる設計は、高度計画のためのスキル移行モデルと、適応的なスキル内目標達成ポリシーのセットを学ぶことである。 その結果, TESTは90%以上の成功率を達成でき, 一般化政策の4倍以上の効率であることがわかった。
  論文  参考訳（メタデータ） (2024-04-26T20:27:10Z)
• Deep Reinforcement Learning for Contact-Rich Skills Using Compliant Movement Primitives [0.0]
  産業用ロボットのさらなる統合は、柔軟性、適応性、意思決定スキルの制限によって妨げられている。 収束と一般化を容易にする異なるプルーニング手法を提案する。 提案手法は,空間,サイズ,形状,および密接に関連するシナリオに不変な挿入スキルを学習できることを実証する。
  論文  参考訳（メタデータ） (2020-08-30T17:29:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。