論文の概要: Primitive-Informed Sampling-Based MPC for Multi-Fingered Dexterous Manipulation
- arxiv url: http://arxiv.org/abs/2609.14868v1
- Date: Mon, 14 Sep 2026 00:36:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:06.019638
- Title: Primitive-Informed Sampling-Based MPC for Multi-Fingered Dexterous Manipulation
- Title（参考訳）: プリミティブインフォームドサンプリングに基づくマルチフィンガードデキスタラスマニピュレーションのためのMPC
- Abstract要約: 本稿では,デクスタラス操作のためのプリミティブインフォームドサンプリングベースモデル予測制御(MPC)フレームワークを提案する。
本フレームワークは, 協調指の動きを符号化する低次元操作プリミティブを用いて, サンプリングをバイアスする。
我々は、MuJoCoデジタルツインを用いた物理アレグロハンドのアプローチを評価する。
- 参考スコア（独自算出の注目度）: 3.693403461852542
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We present a primitive-informed sampling-based model predictive control (MPC) framework for multi-fingered dexterous manipulation. Sampling-based MPC avoids the need for gradients through complex contact dynamics, but direct exploration of the high-dimensional joint space is inefficient and makes performance strongly dependent on the sampling distribution. Our framework biases sampling using low-dimensional manipulation primitives that encode coordinated finger motions, while simultaneously optimizing joint-level residuals to adapt these motions to the current hand-object configuration. Task-related rollout constraints reject infeasible trajectories during forward simulation, improving the effective use of the sampling budget. We evaluate the approach on a physical Allegro hand using a synchronized MuJoCo digital twin. Ablations show that both the primitive and residual are necessary for reliable continuous in-hand rotation, that increasing the sampling budget alone does not recover this coordination, and that rollout constraints substantially improve success rate. A primitive extracted from a single object remains effective across object sizes and under model mismatch, and the framework further supports grasping, object reorientation, and coordinated arm-hand reach-grasp-transport, using primitives extracted from both a simulation-trained policy and human hand-motion data.
- Abstract（参考訳）: 本稿では, プリミティブインフォームドサンプリングベースモデル予測制御(MPC)フレームワークについて述べる。
サンプリングベースのMPCは、複雑な接触ダイナミクスによる勾配の必要を回避するが、高次元関節空間の直接探索は非効率であり、サンプリング分布に強く依存する。
本フレームワークは,手指の動きを符号化する低次元操作プリミティブを用いて,手指の動きに適応する関節レベル残差を同時に最適化する。
タスク関連ロールアウト制約は、フォワードシミュレーション中に実現不可能な軌道を拒否し、サンプリング予算の有効利用を改善する。
我々は、MuJoCoデジタルツインを用いて、物理的アレグロハンドのアプローチを評価する。
アブレーションは、プリミティブと残留物の両方が信頼性のある連続的手動回転に必要であり、サンプリング予算の増加だけではこの調整が回復せず、ロールアウト制約が成功率を大幅に改善することを示している。
1つのオブジェクトから抽出されたプリミティブは、オブジェクトサイズおよびモデルミスマッチの下で有効であり、シミュレーション訓練されたポリシーと人間の手動データの両方から抽出されたプリミティブを使用して、さらに把握、オブジェクトの向きを変え、調整されたアームハンドリーチ-グラフトランスポートをサポートする。
関連論文リスト
- CosmoH2G: A Hand-to-Gripper Transfer Dataset and Baseline Method for Object Manipulation with Complex Spatial Movements [63.40365657068892]
ロボットグリップに人手によるデモンストレーションを移すことは、最近、ロボット学習の費用対効果の高いソリューションとして浮上した。
このギャップに触発された我々は、きめ細かい手の動きによって導かれる暗黙的なデータ駆動アプローチを採用した。
シミュレーションと実ロボット実験の両方において、我々のフレームワークは複雑な空間操作の安定かつ高精度なハンド・トゥ・グルーパー転送を可能にする。
論文 参考訳（メタデータ） (2026-09-07T13:47:22Z) - Hybrid Feedback Sampling for Sample-Efficient Model Predictive Control [19.515987245507013]
本稿では,最適化されたフィードバックポリシを用いてサンプリングすることで,最適なサンプリング提案分布を実現することができることを示す。
ヒューマノイドのロコ操作やデキスタラス操作のような多種多様なコンタクトリッチ制御タスクにおいて,FS-MPCは動的に不安定なタスクに取り組むことに成功した。
論文 参考訳（メタデータ） (2026-08-19T20:56:18Z) - Context-Aware Force Estimation for Deformable Tool Manipulation in Robotic Environmental Swabbing via Few-Shot Continual Adaptation [10.23547821843138]
変形可能な工具力学は、真の接触力から手首に取り付けられた力の測定を分離する非線形粘弾性を導入する。
本稿では,変形可能なツール操作における接触力推定のためのデータ駆動型フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-08T16:01:23Z) - Focus When Necessary: Adaptive Routing and Collaborative Grounding for Training-Free Visual Grounding [56.38477453373368]
LazyMCoTは動的でトレーニング不要なフレームワークで、サンプルの難易度に基づいて視覚的接地作業を適応的に割り当てる。
LazyMCoTは、推論精度を同時に改善し、平均推論レイテンシを低減することで、トレーニングベースのアプローチと競合する。
論文 参考訳（メタデータ） (2026-06-15T03:17:44Z) - Stability-Driven Motion Generation for Object-Guided Human-Human Co-Manipulation [16.622175523077917]
コマニピュレーションでは、複数の人間が動きを共有オブジェクトと同期させる必要がある。
既存のモーションジェネレーションアプローチのほとんどは、ペイロードによって引き起こされるダイナミクスを考慮していない。
本稿では,生成したコマニピュレーション動作が意図した目標と一致することを保証するフローマッチングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-22T08:31:40Z) - ReMoSPLAT: Reactive Mobile Manipulation Control on a Gaussian Splat [3.983697124458495]
反応性制御は、移動マニピュレータのベースとアームの動きを優雅に調整することができる。
本稿では,モバイル操作のための2次プログラム定式化に基づくレスポンシブコントローラReMoSPLATを提案する。
論文 参考訳（メタデータ） (2025-12-10T13:52:08Z) - Model-Based Diffusion Sampling for Predictive Control in Offline Decision Making [48.998030470623384]
オフラインの意思決定は、さらなるインタラクションを伴わずに、固定データセットからの信頼性の高い振る舞いを必要とする。
i)タスク整列軌道を多様に生成するプランナー,(ii)システム力学との整合性を強制するダイナミクスモデル,(iii)タスク目標に整合した動作を選択するランサーモジュールからなる構成モデルに基づく拡散フレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-09T06:26:02Z) - Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。
シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。
マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
論文 参考訳（メタデータ） (2025-10-09T04:48:49Z) - Measurement-Guided Consistency Model Sampling for Inverse Problems [2.217547045999963]
一貫性モデルは、単一または数ステップで高品質な生成を可能にする。
逆問題再構成に適した整合性サンプリング手法を提案する。
論文 参考訳（メタデータ） (2025-10-02T16:53:07Z) - Time-series Generation by Contrastive Imitation [87.51882102248395]
モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。
推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
論文 参考訳（メタデータ） (2023-11-02T16:45:25Z) - MAPS: A Noise-Robust Progressive Learning Approach for Source-Free
Domain Adaptive Keypoint Detection [76.97324120775475]
クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。
本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
論文 参考訳（メタデータ） (2023-02-09T12:06:08Z)
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。