Fugu-MT 論文翻訳(概要): Sensorless damage-safe grasping

論文の概要: Sensorless damage-safe grasping

arxiv url: http://arxiv.org/abs/2608.23983v1
Date: Tue, 25 Aug 2026 02:24:08 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-26 14:09:34.751379
Title: Sensorless damage-safe grasping
Title（参考訳）: センサレス損傷安全把握
Abstract要約: コントローラは、オブジェクトの推定圧縮ひずみがユーザ指定限度に達するまで、グリップを閉じる。 $varepsilon$は、認定され、サイズスケーリングされ、オペレーターが解釈可能な損傷制限である。硬度グレードされた3DプリントのTPUキューブでは、ベースラインのグリップ成功とほぼ半分のグリップ力で一致します。
参考スコア（独自算出の注目度）: 3.6095388702618405
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Robotic fruit harvesting must hold produce securely without bruising it, yet compression stiffness varies several-fold with ripeness within a single species, so no fixed grip force spans the range. Rather than tune force, we bound deformation: a controller closes the gripper until the object's estimated compression strain reaches a user-specified limit $\varepsilon$, using only the encoder position and motor-effort signal on every servo gripper---no tactile or force-torque sensor. Dividing an effort-based contact force by a lower bound on object stiffness makes the stop provably conservative---true compression stays at or below $\varepsilon$---for any $\varepsilon$ above a contact-detection strain floor we identify and quantify: robust detection itself spends compression, linearly in closing speed, making speed an explicit throughput--gentleness knob. Unlike a hand-tuned force threshold, $\varepsilon$ is a certified, size-scaling, operator-interpretable damage limit, and a ready safe-action parameter for learned grasping policies. In MuJoCo simulation over a realistic fruit-stiffness range, under a sensor-noise model calibrated to the real servo, the controller holds $\ge 98\,\%$ grasp at $0\,\%$ damage across all medium-to-firm stiffnesses for the entire certified $\varepsilon$ range, which neither fixed-force baseline attains; on stiffness-graded 3D-printed TPU cubes it matches baseline grasp success at roughly half the grip force and cuts soft-object damage from $100\,\%$ to $40\,\%$.
Abstract（参考訳）: ロボットによる果実の収穫は、傷を負わずに確実に生産されなければならないが、圧縮剛性は、単一の種内で熟度によって数倍に変化するため、固定グリップ力は、その範囲に及ばない。制御器は、各サーボグリップ上のエンコーダ位置とモータ効果信号(触覚や力トルク)のみを使用して、オブジェクトの推定圧縮ひずみがユーザ指定の限界である$\varepsilon$に達するまで、グリップを閉じる。厳密な検出自体が圧縮に費やされ、閉じるスピードに線形に費やされ、スピードが明示的なスループット-ジェントレネスノブとなる。手動で調整された力しきい値とは異なり、$\varepsilon$は認定され、サイズスケーリング、オペレータが解釈可能な損傷制限、学習した把握ポリシーのための安全なパラメータである。実のサーボに合わせて調整されたセンサーノイズモデルの下で、MuJoCoシミュレーションでは、コントローラーは、認定されたすべての中～確証の剛性に対するダメージを$0\,\%$で保持する。

関連論文リスト

SANE: State Anomaly Neutralization for Stable Extreme-Context Delta-Rule Models [53.86918766240095]
Delta-Ruleリカレントモデルは固定サイズの状態を維持しており、$O(1)$の推論メモリが可能であるが、極端なコンテキスト外挿では不安定になる可能性がある。我々は,チャンク内並列構造を保ちながら,チャンク境界における適応$tanh$圧縮を適用したtextbfState Anomaly Neutralization (SANE)を提案する。
論文参考訳（メタデータ） (2026-08-23T10:41:07Z)
FIRMGrasp: A Friction-Informed Risk Margin for Robust Grasp Synthesis [5.99447754429793]
FIRMGraspは、条件付き値-アット・リスク測度に根ざした摩擦揮発性を考慮した把握品質指標のファミリーである。本測定では, CVaR法により測定した摩擦尾部の力-遮断マージンについて検討した。信頼性レベル$$の単調性、グリップパラメータの微分性、確率的クロージャ証明書を確立する。
論文参考訳（メタデータ） (2026-07-27T20:19:01Z)
A Model-Based Decoupling Strategy for Proprioception and Contact Sensing in an Architected Soft Manipulator [49.225033144914214]
軟構造セグメントに埋め込まれた流体圧センサから, 受容・接触信号を分離するモデルベース戦略を提案する。単一ITHセグメントでは, 相対曲げ誤差0.11+/-0.02, 接触検出率97%で, 主観的形状推定が可能である。
論文参考訳（メタデータ） (2026-07-17T03:03:19Z)
PinFT: Miniature 5-Axis Force/Torque Sensor Embeddable to Tweezer-like Tool [0.5543867614999908]
PinFTは小型の5軸容量/トルクセンサーで、Tweezerのようなツールにチップレベルを直接統合する。両端にPinFTセンサーを内蔵した3Dプリントトウィーザーをパラレルジャウグリップに装着した。
論文参考訳（メタデータ） (2026-07-10T21:58:48Z)
SoftVTBench: A Safety-Aware Visuo-Tactile Benchmark for Physically Constrained Robotic Manipulation of Deformable Objects [56.16187327142104]
We present SoftVTBench, a safety-aware visuo-tactile benchmark for deformable object operation。有限要素シミュレートされた変形可能な物体を持つアイザック・シムで構築されたSoftVTBenchは、多視点RGB観察、マーカーの動きによる触覚センシング、プロプレセプション、言語指示を提供する。
論文参考訳（メタデータ） (2026-07-05T11:12:29Z)
Impedance MPC with Disturbance Estimation for Dexterous Hand Control [0.0]
本稿では,手指のアクチュエータ非依存型インピーダンスモデル予測制御フレームワークを提案する。油圧作動式指では、500,HzのカルマンMPCは0.5,mrad RMS、0.1,mrad定常状態、6.6,mradピーク偏向に達する。
論文参考訳（メタデータ） (2026-06-12T16:28:21Z)
ARISTO Hand: Sensing-Driven Distal Hyperextension for Fine-Grained Manipulation [3.3685005431669732]
ARISTO Handは腱駆動のロボットハンドで、アクティブな遠位部高血圧とハイブリッド指先感覚アーキテクチャを統合している。アクティブな高血圧は、標準的な屈曲の運動的限界を超える制御された指先エンゲージメントを可能にする。剛性爪装着センサは、エッジ接触時の信頼性の高い力測定を提供する。
論文参考訳（メタデータ） (2026-05-28T19:44:04Z)
TactileReflex: Noise-Statistics-Driven Vision-Tactile Reflex Control for Force-Sensitive Manipulation [17.644869460066413]
本稿では,3つの画像レベルのプロキシ,せん断強度,接触強度,圧力の中心を抽出する3チャネル閉ループコントローラであるTactileReflexを提案する。自己完結型かつ解釈可能なコントローラとして、TactileReflexは高レベルの操作パイプラインの下のプラグアンドプレイ安全層として機能する。
論文参考訳（メタデータ） (2026-05-22T12:35:28Z)
$h$-control: Training-Free Camera Control via Block-Conditional Gibbs Refinement [47.751369359301236]
textbf$h$-controlは、トレーニングフリーでトレーニングベースの7つの競合相手に対して最高のFVDを達成する。 RealEstate10KとDAVISでは、textbf$h$-controlは7つのトレーニングフリーおよびトレーニングベース競合相手に対して最高のFVDを達成している。
論文参考訳（メタデータ） (2026-05-12T09:51:04Z)
UniForce: A Unified Latent Force Model for Robot Manipulation with Diverse Tactile Sensors [51.88112610411651]
そこで本研究では,多様な触覚センサにまたがる共用潜在力空間を学習する,新しい統合された触覚表現学習フレームワークを提案する。 UniForceは、逆ダイナミクス(image-to-force)とフォワードダイナミクス(force-to-image)を共同モデリングすることで、クロスセンサー領域シフトを低減する高価な外部力/トルクセンサ(F/T)への依存を避けるため,静的平衡を利用して直接センサ・オブジェクト・センサ・インタラクションを介して力対効果データを収集する。
論文参考訳（メタデータ） (2026-02-01T11:03:01Z)
$ε$-Softmax: Approximating One-Hot Vectors for Mitigating Label Noise [99.91399796174602]
ノイズラベルは、正確なディープニューラルネットワークをトレーニングする上で共通の課題となる。我々は,ソフトマックス層の出力を制御可能な誤差で1ホットベクトルに近似させる,$epsilon$-softmaxを提案する。理論的には、$epsilon$-softmaxは、ほぼ任意の損失関数に対して制御可能な過剰リスクを持つ耐雑音学習を実現することができる。
論文参考訳（メタデータ） (2025-08-04T13:10:48Z)

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。