論文の概要: Vision-Force Admittance Learning for Peg Insertion into a Movable Hole
- arxiv url: http://arxiv.org/abs/2609.14133v1
- Date: Sat, 12 Sep 2026 20:29:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.70873
- Title: Vision-Force Admittance Learning for Peg Insertion into a Movable Hole
- Title（参考訳）: 移動型ホールへのペグ挿入のための視覚-フォース・アドミタンス学習
- Abstract要約: 本稿では,高頻度力モデルを用いて,非同期な視覚フィードバックを融合させるビジョン・フォース・アドミタンス・ラーニング(VFAL)フレームワークを提案する。
VFALは、ミリレベルの精度を維持しながら、オンラインの挿入戦略を動的運動に適応させる。
実世界の実験において本手法を検証し,様々なペグや動的環境への高い成功率と高い適応性を示す。
- 参考スコア（独自算出の注目度）: 8.861173391168876
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Precise manipulation in dynamic environments, whether induced by a mobile robot base or a target with unknown motion, remains a major challenge in robotics. Manipulation in dynamic environments introduces substantial uncertainty, which fundamentally conflicts with the tight precision requirement of precise tasks such as peg-in-the-hole. We propose a Vision-Force Admittance Learning (VFAL) framework that fuses asynchronous visual feedback with a high-frequency force-based model, using visual pose estimations as a regularization term. VFAL adapts insertion strategies online to dynamic motion while maintaining millimeter-level precision. To obtain robust, low-frequency pose information, we employ state-of-the-art vision foundation models for visual pose estimation. Additionally, we incorporate failure recovery mechanisms to enhance overall robustness. We validate our approach in real-world experiments, demonstrating high success rates and strong adaptability to various pegs and dynamic environments.
- Abstract（参考訳）: 移動ロボットベースによって誘導されるか、未知の動きを持つターゲットによって誘導される、動的環境における精密な操作は、ロボット工学において依然として大きな課題である。
動的環境の操作は、ペグ・イン・ザ・ホールのような正確なタスクの厳密な精度要件と根本的に矛盾する、かなりの不確実性をもたらす。
本稿では,視覚的ポーズ推定を正規化用語として用いて,高頻度力モデルで非同期視覚フィードバックを融合する視覚-フォース適応学習(VFAL)フレームワークを提案する。
VFALは、ミリレベルの精度を維持しながら、オンラインの挿入戦略を動的運動に適応させる。
頑健で低周波なポーズ情報を得るために、我々は最先端の視覚基盤モデルを用いて視覚的ポーズ推定を行う。
さらに、全体的な堅牢性を高めるために、障害復旧機構を組み込んだ。
実世界の実験において本手法を検証し,様々なペグや動的環境への高い成功率と高い適応性を示す。
関連論文リスト
- AdaDexGrasp: Adaptive Dexterous Grasping via 3D Visuo-Tactile Representation Fusion [60.79507611737292]
人間は視覚知覚と触覚フィードバックをシームレスに統合することで、安定的で適応的な把握を実現する。
既存のロボットグルーピングアプローチは、視覚入力と接触後の触覚誘導適応機構の欠如に依存している。
本稿では, 把握生成, 実現可能性予測, 適応的改善を統合した統合型ビジュオタクティル・フュージョン・グリーティング・フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-06T16:29:11Z) - Native Video-Action Pretraining for Generalizable Robot Control [77.59831077077176]
LingBot-VA 2.0は、エンボディメントのためにゼロから構築されたビデオアクション基盤モデルである。
高周波推論の要求を満たすため,本モデルは疎いMOEバックボーンを用いる。
現実のデプロイメントは、堅牢な基盤モデルとしてLingBot-VA 2.0を検証する。
論文 参考訳（メタデータ） (2026-07-09T16:15:43Z) - PressMimic: Pressure-Guided Motion Capture and Control for Humanoid Robot Imitation [35.417454041027774]
PressMimicは、モーションキャプチャからヒューマノイドコントロールまでの完全なパイプラインに圧力を統合するフレームワークである。
認識段階では,RGBと圧力を融合したマルチモーダルモデルであるFRAPPE++を導入し,共同で3次元ポーズとグローバルモーションを推定する。
制御段階では,圧力依存性の信号を強化学習に組み込んだ圧力制御ポリシ(PSP)を提案する。
論文 参考訳（メタデータ） (2026-06-25T08:24:35Z) - Cortical Policy: A Dual-Stream View Transformer for Robotic Manipulation [57.28703268044067]
ロボット操作のための新しいデュアルストリームビュー変換器であるCortical Policyを提案する。
われわれのフレームワークは、ロボット操作の新しい視点を提供し、視覚に基づくロボット制御の幅広い応用の可能性を秘めている。
論文 参考訳（メタデータ） (2026-03-22T04:18:54Z) - Reactive Motion Generation With Particle-Based Perception in Dynamic Environments [14.960949776319147]
動的および非構造的シナリオにおける反応運動生成は、基本的に静的知覚とシステムダイナミクスの対象となる。
この記事では、モデルベースの観点から、リアクティブ計画とマニピュレータの動的マッピングの密接な関係を明らかにすることに焦点を当てます。
本稿では,ロボット・障害物力学を協調的に伝播する障害物対応MPPI計画法を提案する。
論文 参考訳（メタデータ） (2026-02-18T13:48:54Z) - Self-supervised Physics-Informed Manipulation of Deformable Linear Objects with Non-negligible Dynamics [14.801939035043352]
SPiDは、変形可能な線形オブジェクトの動的操作のための物理インフォーム付き自己教師付き学習フレームワークである。
タスク指向コストを用いてニューラルコントローラをトレーニングし、微分可能なオブジェクトモデルとの相互作用を通じてエンドツーエンドの最適化を可能にする。
我々は、手頃なマーカーレスロープ認識法を開発し、ノイズや低周波状態の更新を伴って、制御が性能を維持することを示す。
論文 参考訳（メタデータ） (2026-02-03T15:14:09Z) - Do-Undo: Generating and Reversing Physical Actions in Vision-Language Models [57.71440995598757]
我々は,視覚言語モデルにおける重要なギャップに対処するために,Do-Undoタスクとベンチマークを導入する。
Do-Undoは、物理的な行動の結果をシミュレートし、それを正確に反転させるモデルを必要とし、視覚の世界における真の原因と効果を反映している。
論文 参考訳（メタデータ） (2025-12-15T18:03:42Z) - PosA-VLA: Enhancing Action Generation via Pose-Conditioned Anchor Attention [92.85371254435074]
PosA-VLAフレームワークは、ポーズ条件付き監視を通じて視覚的注意を保ち、タスク関連領域に対するモデルの認識を一貫して導く。
本手法は,多様なロボット操作ベンチマークにおいて,正確かつ時間効率のよい動作を実施できることを示す。
論文 参考訳（メタデータ） (2025-12-03T12:14:29Z) - Dynamic Manipulation of Deformable Objects in 3D: Simulation, Benchmark and Learning Strategy [88.8665000676562]
従来の手法は、しばしば問題を低速または2D設定に単純化し、現実の3Dタスクに適用性を制限する。
データ不足を軽減するため、新しいシミュレーションフレームワークと、低次ダイナミクスに基づくベンチマークを導入する。
本研究では,シミュレーション前トレーニングと物理インフォームドテスト時間適応を統合するフレームワークであるDynamics Informed Diffusion Policy (DIDP)を提案する。
論文 参考訳（メタデータ） (2025-05-23T03:28:25Z) - ForceGrip: Reference-Free Curriculum Learning for Realistic Grip Force Control in VR Hand Manipulation [0.10995326465245926]
本稿では,現実的な手操作動作を合成する深層学習エージェントであるForceGripを紹介する。
我々は、指の位置決め、意図適応、動的安定化を含む3段階のカリキュラム学習フレームワークを採用する。
以上の結果から,ForceGripの出力制御性と信頼性は最先端の手法に比べて優れていた。
論文 参考訳（メタデータ） (2025-03-11T05:39:07Z) - Learn to Memorize and to Forget: A Continual Learning Perspective of Dynamic SLAM [17.661231232206028]
暗黙的な神経表現を伴う同時局所化とマッピング(SLAM)が注目されている。
動的環境のための新しいSLAMフレームワークを提案する。
論文 参考訳（メタデータ） (2024-07-18T09:35:48Z)
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。