論文の概要: FORTE: Task-Adaptive Force Capability Optimization for Mobile Manipulators

• arxiv url: http://arxiv.org/abs/2609.21497v1
• Date: Fri, 18 Sep 2026 08:48:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.936629
• Title: FORTE: Task-Adaptive Force Capability Optimization for Mobile Manipulators
• Title（参考訳）: FORTE: 移動マニピュレータのタスク適応力容量最適化
• Abstract要約: 冗長な移動マニピュレータのためのタスク指向力性能最適化フレームワークを提案する。 VLM(Vision-Language Model)は、RGB画像とタスク記述からオブジェクトの物理的特性を推論し、所望のタスクフォースシーケンスを生成する。 次に,タスク指向力能力指標を,タスク指向力の不確実性球と動的残留力ポリトープとの符号付き距離として定義する。
• 参考スコア（独自算出の注目度）: 21.06438073921119
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Effective physical interaction control in robotic manipulation requires not only kinematically feasible motion but also sufficient force-interaction capability. Existing redundancy resolution methods often ignore task-specific force demands or maximize the force capability indiscriminately, sacrificing dexterity when large force margins are unnecessary. We propose a task-oriented force capability optimization framework for redundant mobile manipulators. A Vision-Language Model (VLM) infers object physical properties from an RGB image and a task description, generating a desired task-force sequence that captures gravitational and inertial demands. We then define a task-oriented force capability metric as the signed distance between a task-force uncertainty ball and the dynamic residual force polytope (RFP), quantifying compatibility between task demands and the robot's remaining actuation capacity. This metric is incorporated, alongside manipulability, joint-limit avoidance, trajectory smoothness, and base-oscillation suppression, into a whole-body multi-objective trajectory-optimization problem. Experiments on a mobile manipulator performing lifting and single-point-holding tasks under varying payload conditions demonstrate that the proposed method provides sufficient force capability for heavy loads while preserving high manipulability for light loads. This yields a task-adaptive balance that fixed capability-maximizing baselines (RFP inscribed radius, RFP cone) and manipulability-only optimization fail to achieve. The core implementation is publicly available at https://github.com/yeying256/FORTE.
• Abstract（参考訳）: ロボット操作における効果的な物理的相互作用制御は、運動学的に実現可能な運動だけでなく、十分な力-相互作用能力を必要とする。 既存の冗長性解決法は、しばしばタスク固有の力の要求を無視したり、無差別に力の能力を最大化したりし、大きな力のマージンが不要な場合に、ささやかさを犠牲にする。 冗長な移動マニピュレータのためのタスク指向力性能最適化フレームワークを提案する。 VLM(Vision-Language Model)は、RGBイメージとタスク記述からオブジェクトの物理的特性を推論し、重力と慣性要求をキャプチャする望ましいタスクフォースシーケンスを生成する。 次に,タスク指向力能力指標を,タスクフォースの不確実性球と動的残留力ポリトープ(RFP)との符号付き距離として定義し,タスク要求とロボットの残りの動作能力との整合性を定量化する。 この計量は、マニピュラビリティ、ジョイントリミット回避、トラジェクトリ滑らか性、ベースオシレーション抑制とともに、全身多目的軌道最適化問題に組み込まれている。 載荷条件の異なる揚力および単点保持作業を行う移動マニピュレータの実験により, 本手法は軽量負荷に対する高いマニピュラ性を保ちながら, 重負荷に対して十分な力を与えることを示した。 これにより、固定能力最大化ベースライン(RFP入力半径、RFPコーン)とマニピュラビリティのみの最適化が達成できないタスク適応バランスが得られる。 コア実装はhttps://github.com/yeying256/FORTEで公開されている。

関連論文リスト

• Fetch My Beer: Synthetic-to-real Hierarchical Policy for Smooth Pick-and-place [54.561625475942584]
  本研究では, 液体充填容器の安定輸送について検討し, ロボットが物体を目標場所へ移動させながら, スロッシングを抑え, こぼれを防止する方法を検討した。 このタスクは運動の滑らかさと軌道レベルの安定性に厳格な要件を課し、既存のシステムの明確な制限を明らかにする。 物理的に検証されたデータ生成と階層的拡散型コントローラを結合した合成から現実のフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-16T04:55:12Z)
• One-Shot Multimodal Learning from Demonstration with Force-Constrained Elastic Maps [0.0]
  本稿では,一発的マルチモーダル学習(LfD)フレームワークを提案する。 まず,時間とともに空間的および力的モダリティを適応的に重み付けする多モード確率的セグメンテーション手法を提案する。 第2に、スキルエンコーディング中に外部力制約を組み込むように弾性写像を拡張し、力一貫性軌道モデル学習のための凸最適化手順を定式化する。
  論文  参考訳（メタデータ） (2026-07-10T15:27:50Z)
• S$^2$-VLA: State-Space Guided Vision-Language-Action Models for Long-Horizon Manipulation [34.73337776403718]
  VLA(Vision-Language-Action)モデルは、ロボット操作において強力な能力を示しているが、その性能は長距離作業では著しく低下している。 本稿では,SSGAA(State-Space Guided Adaptive Attention)機構を導入するフレームワークであるS$2$-VLAを提案する。 S$2$-VLAは、より大きな7Bスケールモデルより一貫して優れており、ロングホライゾンのベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-06-26T09:13:16Z)
• Learning-based Cooperative Robotic Paper Wrapping: A Unified Control Policy with Residual Force Control [11.21445976755808]
  本稿では,大規模言語モデルを用いた高レベルタスクプランナと,低レベルのハイブリッド模倣学習と強化学習ポリシを統合した学習ベースフレームワークを提案する。 中心となるのは、人間のデモンストレーションから統一されたポリシーを学ぶサブタスク認識ロボットトランスフォーマー(START)である。 統一型トランスフォーマーベースのポリシーは、特殊なモデルの必要性を減らし、制御された人間の監督を可能にし、変形可能なオブジェクト操作に必要なきめ細かい力制御によって、高レベルの意図を効果的に橋渡しすることを示す。
  論文  参考訳（メタデータ） (2025-11-05T04:55:35Z)
• ForceVLA: Enhancing VLA Models with a Force-aware MoE for Contact-rich Manipulation [62.58034332427291]
  ForceVLAは、新しいエンドツーエンド操作フレームワークである。 外部力センシングは、VLAシステム内の第一級のモダリティとして扱う。
  論文  参考訳（メタデータ） (2025-05-28T09:24:25Z)
• Sparse Diffusion Policy: A Sparse, Reusable, and Flexible Policy for Robot Learning [61.294110816231886]
  我々はスパース・リユース・フレキシブル・ポリシー、スパース・ディフュージョン・ポリシー(SDP)を導入する。 SDPは、エキスパートとスキルを選択的に活性化し、モデル全体をトレーニングすることなく、効率的でタスク固有の学習を可能にする。 デモとコードはhttps://forrest-110.io/sparse_diffusion_policy/にある。
  論文  参考訳（メタデータ） (2024-07-01T17:59:56Z)
• GenCHiP: Generating Robot Policy Code for High-Precision and Contact-Rich Manipulation Tasks [28.556818911535498]
  大規模言語モデル(LLM)はロボットポリシーコードの生成に成功しているが、今のところこれらの結果はハイレベルなタスクに限られている。 適切なアクション空間では、LLMは様々なコンタクトリッチかつ高精度な操作タスクのためのポリシーを生成することができる。
  論文  参考訳（メタデータ） (2024-04-09T22:47:25Z)
• Constrained Dynamic Movement Primitives for Safe Learning of Motor Skills [25.06692536893836]
  ロボット作業空間における制約満足度を実現するための制約付き動的運動プリミティブ(CDMP)を提案する。 異なる環境における異なるマニピュレータを用いた提案アルゴリズムの実装を示すビデオがここにある。
  論文  参考訳（メタデータ） (2022-09-28T22:59:33Z)
• Controllable Dynamic Multi-Task Architectures [92.74372912009127]
  本稿では,そのアーキテクチャと重みを動的に調整し,所望のタスク選択とリソース制約に適合させる制御可能なマルチタスクネットワークを提案する。 本稿では,タスク親和性と分岐正規化損失を利用した2つのハイパーネットの非交互トレーニングを提案し,入力の嗜好を取り入れ,適応重み付き木構造モデルを予測する。
  論文  参考訳（メタデータ） (2022-03-28T17:56:40Z)

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。