論文の概要: RotateIt! Fast and Reliable Single-Arm Garment Unfolding via Online-Adaptive Dynamic Rotation

• arxiv url: http://arxiv.org/abs/2609.19817v1
• Date: Thu, 17 Sep 2026 07:28:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.139911
• Title: RotateIt! Fast and Reliable Single-Arm Garment Unfolding via Online-Adaptive Dynamic Rotation
• Title（参考訳）: RotateIt! オンライン適応動的回転による高速で信頼性の高いシングルアームガーメンド
• Abstract要約: 動的衣服展開に適応軸回転を用いる単一アームフレームワークであるRotateIt!を提示する。 我々の知る限りでは、動的軸回転を主要な操作プリミティブとして利用する最初の展開フレームワークである。
• 参考スコア（独自算出の注目度）: 7.014831690034356
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robotic garment unfolding is essential for downstream tasks, yet quasi-static methods require repeated actions, while existing dynamic approaches predominantly rely on bimanual flinging. We present RotateIt!, a single-arm framework that uses adaptive axial rotation for dynamic garment unfolding. To the best of our knowledge, it is the first unfolding framework to employ dynamic axial rotation as its primary manipulation primitive. From a randomly initialized tabletop configuration, the robot selects a rotation-effective grasp and rotates the lifted garment about an approximately fixed anchor, generating inertial tension that separates overlapping layers within a compact workspace. A grasp ranker selects the anchor, while an online residual policy adapts the rotation extent and speed, thereby determining the release timing. Across seen and unseen simulated garments and eight unseen real garments, RotateIt! improves success within three attempts by 44.0-61.0 percentage points over quasi-static pick-and-place. The simulation-trained policies transfer zero-shot to the real world, achieving 75.6% success, 41% higher first-attempt coverage, and 26% higher final coverage. The resulting states further enable autonomous robotic folding without manual rearrangement.
• Abstract（参考訳）: ロボットの衣服展開は下流の作業には不可欠であるが、擬似静的手法は繰り返し動作を必要とする。 動的衣服展開に適応軸回転を用いる単一アームフレームワークであるRotateIt!を提示する。 我々の知る限りでは、動的軸回転を主要な操作プリミティブとして利用する最初の展開フレームワークである。 ランダムに初期化されたテーブルトップ構成から、ロボットは回転効率の良いグリップを選択し、持ち上げられた衣服をほぼ固定されたアンカー付近で回転させ、重なり合う層をコンパクトなワークスペース内で分離する慣性張力を生成する。 グリップローダはアンカーを選択し、オンライン残留ポリシーは回転範囲と速度に適応し、リリースタイミングを決定する。 RotateIt!は3回の試行で、準静的ピック・アンド・プレイスに対して44.0-61.0ポイントの精度向上を実現している。 シミュレーションによって訓練された政策は、ゼロショットを現実世界に転送し、75.6%の成功、41%の初挑戦のカバレッジ、26%の最終的なカバレッジを達成した。 結果として、手動で再配置することなく自律的なロボットの折り畳みが可能になる。

関連論文リスト

• Learn Weightlessness: Imitate Non-Self-Stabilizing Motions on Humanoid Robot [56.377161933570335]
  人間は自然に非自己安定化(NSS)運動中に「無重力」状態を利用する。 この生物学的メカニズムに着想を得て,データセットのアノテーションに対する無重力自動ラベル方式を提案する。 我々の研究は、正確な軌道追跡と適応的な環境相互作用のギャップを埋め、接触リッチなヒューマノイド制御のための生物学的にインスパイアされたソリューションを提供する。
  論文  参考訳（メタデータ） (2026-04-23T07:10:05Z)
• Periodic Steady-State Control of a Handkerchief-Spinning Task Using a Parallel Anti-Parallelogram Tendon-driven Wrist [37.0667004392926]
  本研究は, 並列型反平行波腱駆動構造に基づく直感的手首の開発である。 そこで我々は,制御指向の抽象化と戦略評価のためのハンカチの粒子スプリングモデルを開発した。 その結果、制御指向モデリングをタスク調整されたデキスタラス手首と組み合わせることで、安定状態から定常状態への堅牢な遷移が可能になることが示された。
  論文  参考訳（メタデータ） (2026-04-20T06:21:12Z)
• Tendon-Driven Reciprocating and Non-Reciprocating Motion via Snapping Metabeams [0.0]
  反動運動と非反動運動の両方を生み出すために、スパイラルベースメタビームからなる腱駆動機構を開発した。 スパイラル幾何学はPLAのような比較的硬い材料から作られた場合でも大きな可逆変形を可能にする。 開発されたメカニズムは水泳ロボットにさらに統合され、腱駆動のフィンは2つの異なるアクティベーションモードを示した。
  論文  参考訳（メタデータ） (2026-02-20T16:35:51Z)
• FreeAction: Training-Free Techniques for Enhanced Fidelity of Trajectory-to-Video Generation [50.39748673817223]
  本稿では,ロボットビデオ生成における明示的な動作パラメータを完全に活用する2つのトレーニング不要な推論時間手法を提案する。 第一に、アクションスケールの分類器フリーガイダンスは、動作の大きさに比例して誘導強度を動的に調整し、運動強度に対する制御性を高める。 第二に、アクションスケールノイズトランケーションは、初期サンプルノイズの分布を調整し、所望の運動力学とよりよく一致させる。
  論文  参考訳（メタデータ） (2025-09-29T03:30:40Z)
• ReCoM: Realistic Co-Speech Motion Generation with Recurrent Embedded Transformer [58.49950218437718]
  音声に同期した高忠実で一般化可能な人体動作を生成するための効率的なフレームワークであるReCoMを提案する。 Recurrent Embedded Transformer (RET)は、動的埋め込み正規化(DER)をViT(Vit)コアアーキテクチャに統合する。 モデルロバスト性を高めるため,ノイズ抵抗とクロスドメイン一般化の二重性を持つモデルに,提案したDER戦略を取り入れた。
  論文  参考訳（メタデータ） (2025-03-27T16:39:40Z)
• VAE-Loco: Versatile Quadruped Locomotion by Learning a Disentangled Gait Representation [78.92147339883137]
  本研究では,特定の歩行を構成する主要姿勢位相を捕捉する潜在空間を学習することにより,制御器のロバスト性を高めることが重要であることを示す。 本研究では,ドライブ信号マップの特定の特性が,歩幅,歩幅,立位などの歩行パラメータに直接関係していることを示す。 生成モデルを使用することで、障害の検出と緩和が容易になり、汎用的で堅牢な計画フレームワークを提供する。
  論文  参考訳（メタデータ） (2022-05-02T19:49:53Z)
• Next Steps: Learning a Disentangled Gait Representation for Versatile Quadruped Locomotion [69.87112582900363]
  現在のプランナーは、ロボットが動いている間、キー歩行パラメータを連続的に変更することはできない。 本研究では、特定の歩行を構成する重要な姿勢位相を捉える潜在空間を学習することにより、この制限に対処する。 本研究では, 歩幅, 歩幅, 立位など, 歩行パラメータに直接対応した駆動信号マップの具体的特性を示す。
  論文  参考訳（メタデータ） (2021-12-09T10:02:02Z)

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。