論文の概要: GIFT: Glove-Inferred Force Transfer: Force-Aware Human-to-Robot Skill Transfer from a Wearable Sensing Glove to a Robot Hand Without Tactile Sensors

• arxiv url: http://arxiv.org/abs/2609.14173v1
• Date: Sat, 12 Sep 2026 22:17:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.729393
• Title: GIFT: Glove-Inferred Force Transfer: Force-Aware Human-to-Robot Skill Transfer from a Wearable Sensing Glove to a Robot Hand Without Tactile Sensors
• Title（参考訳）: GIFT: 触覚センサーを使わずに装着可能な手袋からロボットハンドへの力覚による人間とロボットのスキル移行
• Abstract要約: 本稿では,人間とロボットのスキル伝達パイプラインであるGIFT(Glove-Inferred Force Transfer)を紹介する。 ウェアラブルグローブは指の屈曲、キャリブレーションされた指先力、手首の向きを記録し、ヘッドマウントカメラはデモを記録する。 展開時にロボットは、自由空間のベースラインに対するアクチュエータ電流残差から、ニュートンへのキャリブレーションされたマッピングを通じて、力を推定する。 我々は、同じデモンストレーションで訓練された2つのアクションチャンキングポリシーを用いて、カップ握りタスクにおけるGIFTの評価を行い、指先力入力を1つに保持し、もう1つにゼロにする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human-to-robot skill transfer from sensing gloves has so far relied on shared hardware: the same tactile glove worn by the demonstrator and the robot, or a learned alignment between two tactile sensors. We present GIFT (Glove-Inferred Force Transfer), a pipeline in which the interface between human and robot is a physical unit rather than a shared sensor: fingertip force is measured in newtons on the human side and estimated in newtons on the robot side. A wearable glove records finger flexion, calibrated fingertip force, and wrist orientation, while a head-mounted camera records the demonstration; no robot is present. At deployment, the robot estimates force from actuator-current residuals relative to a free-space baseline, through a calibrated mapping to newtons, so any position-controlled hand that reports motor current can serve as the deployment platform. The policy uses a glove-space state and predicts finger-position targets; the robot enters only through two calibrated adapters, a retargeting decoder and a force estimator. We evaluate GIFT on a cup grasp-and-hold task with two action-chunking policies trained on the same demonstrations, with fingertip-force inputs retained in one and zeroed in the other. In a 50-rollout evaluation with sample size and metrics fixed before scoring, both policies succeeded in all 25 rollouts. The median of the per-rollout hold-phase grip-force estimates was 53% lower with force inputs: 1.20 N versus 2.55 N (one-sided Mann-Whitney U, p<0.0001). In an observation ablation, a vision-only policy achieved 0/15 grasps, policies given hand-command state acquired the grasp, and the force inputs determined how hard the policy held. A force channel measured on the human hand thus transfers to a robot hand with no tactile hardware, through a retargeting map from five glove channels to seven robot actuators, with no sensor shared between the two.
• Abstract（参考訳）: 人間とロボットのスキル伝達は、これまでのところ、共有ハードウェアに依存している: デモとロボットが着用する同じ触覚手袋、または2つの触覚センサー間の学習されたアライメントだ。 GIFT(Glove-Inferred Force Transfer)は、人間とロボットのインターフェースが共有センサではなく物理ユニットであるパイプラインであり、人体のニュートンで指先力を測定し、ロボット側のニュートンで推定する。 ウェアラブルグローブは指の屈曲、キャリブレーションされた指先力、手首の向きを記録し、ヘッドマウントカメラはデモを記録する。 展開時にロボットは、自由空間のベースラインに対するアクチュエータ電流の残留力から、ニュートンへの調整されたマッピングを通じて、運動電流を報告する位置制御ハンドを配置プラットフォームとして機能させることができる。 このポリシーはグローブ空間の状態を使用して指の位置を予測し、ロボットは2つのキャリブレーションされたアダプタ、リターゲティングデコーダと力推定器を介してのみ入力する。 我々は、同じデモンストレーションで訓練された2つのアクションチャンキングポリシーを用いて、カップ握りタスクにおけるGIFTの評価を行い、指先力入力を1つに保持し、もう1つにゼロにする。 スコアの前にサンプルサイズとメトリクスを固定した50ロールアウト評価では、両方のポリシが25回のロールアウトに成功している。 ホールドフェーズのグリップ力の中央値は,1.20N対2.55N(一方のマン・ホイットニーU,p<0.0001)で53%低かった。 観察アブレーションでは、視力のみの政策が0/15の把握を達成し、手動で与えられた政策が把握し、力入力によって政策がどれだけ難しいかが決定された。 これにより、人間の手で測定された力チャンネルは、5つのグローブチャンネルから7つのロボットアクチュエータへのリターゲティングマップを介して、触覚ハードウェアのないロボットハンドに転送される。

関連論文リスト

• ForceBand: Learning Forceful Manipulation with sEMG [55.186900419710746]
  ForceBandは低コストで手首を縫ったsEMGシステムで、人間の筋肉活動を力で強化されたデモに変える。 我々は,筋電図およびIMU信号から指ごとの力を予測するEMG2Forceモデルを事前訓練する。 実験により、ForceBandは視覚ベースラインよりも50%以上低い力予測誤差で細粒度の指先相互作用を回復することが示された。
  論文  参考訳（メタデータ） (2026-06-24T17:59:35Z)
• The N2D Haptic Glove: A Multi-Finger Glove for 2D Directional Force Feedback for Contact Rich Manipulation [11.79647885994712]
  人間は操作中に接触を調査・規制するために指先方向の力に頼っている。 ほとんどのウェアラブルハプティックグローブは、振動や単軸力のみをレンダリングし、力の方向があいまいになる。 本稿では,多指ウェアラブルデバイスであるN2D Haptic Gloveについて述べる。
  論文  参考訳（メタデータ） (2026-06-12T03:59:33Z)
• FACTR 2: Learning External Force Sensing for Commodity Robot Arms Improves Policy Learning [54.93624123794711]
  接触に富んだ操作は力の感度を必要とするが、多くのロボットアームは高いコストのために専用の力センサーを欠いている。 本稿では、専用の力センサを必要とせず、外部関節トルクを推定するデータ駆動方式であるニューラル外部トルク推定(Trque)を提案する。 次に、低コストのアーム上での力覚的遠隔操作を可能にし、フォースインフォームド・リサンプリングトレーニングによる政策学習を改善する。
  論文  参考訳（メタデータ） (2026-06-10T17:59:35Z)
• What Matters When Cotraining Robot Manipulation Policies on Everyday Human Videos? [51.606902362959495]
  私たちは、28時間の高品質な三角測量された手ラベルと自然な動きを備えた532人のビデオのデータセットを使用します。 手のポーズの質は移動に影響を与えるが、正確な手であっても、視覚と政策ネットワークがそれぞれの実施に特化しない限り、固有の動きギャップは移動を妨げる。
  論文  参考訳（メタデータ） (2026-06-04T18:24:23Z)
• Functional Force-Aware Retargeting from Virtual Human Demos to Soft Robot Policies [22.000828900701237]
  我々は,ソフトロボットに接触力について明示的に推論することで,人間のような操作スキルを身につけるためのフレームワークであるSoftActを紹介した。 人間の関節軌跡をリターゲットする従来のアプローチとは異なり、SoftActは2段階の力認識アルゴリズムを採用している。
  論文  参考訳（メタデータ） (2026-04-01T17:59:35Z)
• Multifingered force-aware control for humanoid robots [5.099311163246841]
  マルチフィンガーハンドを用いたロボットプラットフォームにおける力認識制御と力分布について検討する。 我々は、胴体、腕、手首、指の動きに適応し、様々な質量分布や不安定な接触の物体との安定した接触を維持するために再分配力を設計する。 我々は5つのオブジェクトでバランスをとる作業においてフレームワークを検証し、成功率82.7%を達成し、さらに複数のオブジェクトシナリオで評価し、精度80%を達成した。
  論文  参考訳（メタデータ） (2026-03-09T09:17:45Z)
• TactAlign: Human-to-Robot Policy Transfer via Tactile Alignment [32.07730277045068]
  既存のH2R(Human-to-robot)アプローチでは、タッチが同一の触覚センサーを前提としており、ペアのデータを必要とし、人間のデモンストレーターとロボットの間の具体的ギャップをほとんど必要としない。 そこで本研究では,異なる実施形態のロボットに人為的な触覚信号を伝達する触覚アライメント手法であるTactAlignを提案する。
  論文  参考訳（メタデータ） (2026-02-14T03:31:32Z)
• 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)
• Feel the Force: Contact-Driven Learning from Humans [52.36160086934298]
  操作中のきめ細かい力の制御は、ロボット工学における中核的な課題である。 We present FeelTheForce, a robot learning system that model human tactile behavior to learn force-sensitive control。 提案手法は,5つの力覚的操作タスクで77%の成功率を達成した,スケーラブルな人間の監督において,堅牢な低レベル力制御を実現する。
  論文  参考訳（メタデータ） (2025-06-02T17:57:52Z)
• Human Grasp Classification for Reactive Human-to-Robot Handovers [50.91803283297065]
  本稿では,ロボットが人間に遭遇するロボットのハンドオーバに対するアプローチを提案する。 対象物をさまざまな手形やポーズで保持する典型的な方法をカバーする,人間の把握データセットを収集する。 本稿では,検出した把握位置と手の位置に応じて人手から対象物を取り出す計画実行手法を提案する。
  論文  参考訳（メタデータ） (2020-03-12T19:58:03Z)

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。