論文の概要: InsertAnything: Generalizable Contact-Rich Precision Insertion from Simulation to Reality
- arxiv url: http://arxiv.org/abs/2609.24511v1
- Date: Mon, 21 Sep 2026 12:51:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-24 15:09:14.630501
- Title: InsertAnything: Generalizable Contact-Rich Precision Insertion from Simulation to Reality
- Title（参考訳）: InsertAnything: シミュレーションから現実への一般化可能なコンタクトリッチ精密挿入
- Abstract要約: 直接配置のシミュレーションで完全に挿入ポリシーを訓練する強化学習フレームワークを提案する。
シミュレーションされた六角形挿入タスクでのみ訓練された単一のポリシーは、全体的な成功率は95.0%に達した。
これらの結果は,シミュレーションで完全に学習することで,実世界のタスクを直接展開し再利用できる精度の挿入スキルが得られることを示している。
- 参考スコア（独自算出の注目度）: 5.694253916127773
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Contact-rich precision insertion is a key manipulation skill in robotic assembly. Tight clearances make insertion more sensitive to alignment errors and prone to collisions and jamming, while variations in geometry and clearance across parts further complicate policy reuse. We present a reinforcement learning framework that trains insertion policies entirely in simulation for direct deployment without real-world demonstrations or policy fine-tuning. By combining target poses with compact three-dimensional fingertip force feedback, the policy learns to search for alignment and correct its motion despite errors in the estimated hole position. A decoupled gated reward coordinates alignment and insertion. Force-signal smoothing and state-independent standard deviations stabilize the learning process. The resulting policies perform real-world insertion across multiple hole geometries with a minimum nominal clearance of 0.02 mm and improve success while reducing peak contact forces under hole-position errors. Cross-clearance and cross-geometry evaluations further confirm policy generalization. The system achieved the first perfect score of 20/20 on ManipulationNet's peg-in-hole benchmark under its Human-in-the-Loop protocol, with fully autonomous insertion motions. A single policy trained only on a simulated hexagonal insertion task achieved an overall success rate of 95.0% across eight unseen real-world insertion tasks. These results show that learning entirely in simulation can yield precision insertion skills that can be deployed directly and reused across real-world tasks. The project website (https://mzhsoul.github.io/InsertAnything/) provides open-source simulation and real-robot experiment scripts, assets, and trained checkpoints.
- Abstract（参考訳）: コンタクトリッチな精密挿入は、ロボット組立において重要な操作技術である。
タイトクリアランスは、挿入をアライメントエラーに敏感にし、衝突や妨害をしやすくする一方、幾何学や部品間のクリアランスのバリエーションは、ポリシーの再利用をさらに複雑にする。
本稿では,実世界の実演や政策微調整を伴わない,直接展開のシミュレーションにおいて,挿入ポリシーを完全に訓練する強化学習フレームワークを提案する。
ターゲットのポーズをコンパクトな3次元指先力フィードバックと組み合わせることで、推定穴位置の誤差に拘わらず、アライメントの探索と動きの補正を学習する。
切り離されたゲート報酬は、アライメントと挿入を調整します。
強制信号の平滑化と状態に依存しない標準偏差は学習プロセスを安定化させる。
結果として得られたポリシーは、複数の穴のジオメトリに対して0.02mmの最小条件で現実世界への挿入を行い、ホール位置誤差の下でピーク接触力を減少させ、成功を向上させる。
クロスクリアランスおよびクロスジオメトリの評価により、ポリシーの一般化がさらに確認される。
このシステムはManipulationNetのHuman-in-the-Loopプロトコルで20/20の完全スコアを達成した。
シミュレーションされた六角形挿入タスクでのみ訓練された単一のポリシーは、8つの実世界の挿入タスクで95.0%の成功率を達成した。
これらの結果は,シミュレーションで完全に学習することで,実世界のタスクを直接展開し再利用できる精度の挿入スキルが得られることを示している。
プロジェクトのWebサイト(https://mzhsoul.github.io/InsertAnything/)は、オープンソースのシミュレーションと実際のロボット実験スクリプト、アセット、トレーニングされたチェックポイントを提供する。
関連論文リスト
- Task aware Dynamic Movement Primitives for failure detection and recovery in contact rich manipulation [0.9799637101641149]
本稿では,動的移動プリミティブ(DMP)に基づく軌道生成と実時間ステージ分類を統合したタスク対応障害検出・回復フレームワークを提案する。
このフレームワークは、実行をPeg in Hole(PiH)アセンブリ操作のアプローチ、アライメント、挿入ステージにセグメントする。
マハラノビス距離計を用いてオンラインで異常検出を行い、名目軌道実行から接触誘発障害を分離する。
論文 参考訳（メタデータ） (2026-09-19T17:37:15Z) - INTACT: Ego-Guided Typed Sparse Evidence Retrieval for Heterogeneous Collaborative Perception [50.64511548643398]
異種知覚のためのエゴ誘導型スパースエビデンス検索フレームワークを提案する。
IntACTは、エゴの車両に、疑わしい物やエビデンスに欠ける地域を表す型付きエビデンスクエリを発行する。
シミュレーションおよび実世界の異種知覚ベンチマークの実験は、INTACTの有効性とデプロイ性を検証する。
論文 参考訳（メタデータ） (2026-06-03T04:34:53Z) - Beyond Binary: Sim-to-Real Dexterous Manipulation with Physics-Grounded Contact Representation [51.463992799813816]
コンタクトリッチな操作における主要なボトルネックは、現実世界のデータ収集の難しさである。
物理原理に基づく効果的な触覚表現であるCenter-of-Pressureを紹介する。
我々は2つのブラインドで困難なコンタクトリッチな操作タスクについてCoPを評価する。
論文 参考訳（メタデータ） (2026-05-27T17:59:02Z) - Touch2Insert: Zero-Shot Peg Insertion by Touching Intersections of Peg and Hole [15.791523980428538]
任意のペグ挿入のための触覚ベースのフレームワークであるemphTouch2Insertを提案する。
本手法は,高解像度触覚画像から断面形状を再構成し,孔の相対的なポーズを0ショットで推定する。
結果,Touch2Insertはシミュレーションにおいてすべてのコネクタのサブミリポーズ推定精度を達成し,実ロボットの平均成功率は86.7%に達した。
論文 参考訳（メタデータ） (2026-03-04T01:35:33Z) - Real-is-Sim: Bridging the Sim-to-Real Gap with a Dynamic Digital Twin [8.498460043101499]
我々は、シミュレーションを行動クローニングパイプラインに統合するための新しいアプローチである、Real-is-simを導入する。
デプロイ前にポリシーを安全にテストする機能がない実際のメソッドや、sim-to-realメソッドとは対照的に、sim-to-realギャップを横断するために複雑な適応を必要とするsim-to-realメソッドがある。
当社のフレームワークでは,実際のハードウェア上での動作と,並列化された仮想環境での動作とをシームレスに切り替えることが可能です。
論文 参考訳（メタデータ） (2025-04-04T17:05:56Z) - Self-Localized Collaborative Perception [49.86110931859302]
我々は,新しい自己局在型協調認識システムであるMathttCoBEVGlue$を提案する。
$mathttCoBEVGlue$は、エージェント間の相対的なポーズを提供する新しい空間アライメントモジュールである。
$mathttCoBEVGlue$は任意のローカライゼーションノイズとアタックの下で最先端の検出性能を達成する。
論文 参考訳（メタデータ） (2024-06-18T15:26:54Z) - PolyFit: A Peg-in-hole Assembly Framework for Unseen Polygon Shapes via
Sim-to-real Adaptation [4.875369637162596]
PolyFitは5-DoFペグインホールアセンブリ用に設計された教師あり学習フレームワークである。
F/Tデータを正確な外因性ポーズ推定に利用し、ペグのポーズを調整して不一致を是正する。
穴内成功率は97.3%と96.3%で、シミュレーションでは目に見えない形状である。
論文 参考訳（メタデータ） (2023-12-05T06:28:33Z) - Practical Imitation Learning in the Real World via Task Consistency Loss [18.827979446629296]
本稿では,機能レベルと行動予測レベルの両方において,シミュレートと実際のアライメントを促進する自己監督的損失を提案する。
我々は、シミュレートとリアルで遠隔操作されたデモンストレーションを16.2時間しか使っていない10のシーンで80%の成功を達成した。
論文 参考訳（メタデータ） (2022-02-03T21:43:06Z) - Reactive Long Horizon Task Execution via Visual Skill and Precondition
Models [59.76233967614774]
シミュレーションで学習したモデルを用いて、単純なタスクプランナの構成要素をグラウンド化することで、見知らぬロボットタスクを達成できるシミュレート・トゥ・リアル・トレーニングのアプローチについて述べる。
シミュレーションでは91.6%から98%,実世界の成功率は10%から80%に増加した。
論文 参考訳（メタデータ） (2020-11-17T15:24:01Z) - Guided Uncertainty-Aware Policy Optimization: Combining Learning and
Model-Based Strategies for Sample-Efficient Policy Learning [75.56839075060819]
従来のロボットのアプローチは、環境の正確なモデル、タスクの実行方法の詳細な説明、現在の状態を追跡するための堅牢な認識システムに依存している。
強化学習アプローチは、タスクを記述するための報酬信号だけで、生の感覚入力から直接操作することができるが、非常にサンプル非効率で脆弱である。
本研究では,ロボットの知覚・運動パイプラインにおける不正確さを克服できる一般的な手法を得るために,モデルに基づく手法の強みと学習に基づく手法の柔軟性を組み合わせる。
論文 参考訳（メタデータ） (2020-05-21T19:47:05Z) - Meta-Reinforcement Learning for Robotic Industrial Insertion Tasks [70.56451186797436]
本研究では,メタ強化学習を用いてシミュレーションの課題の大部分を解決する方法について検討する。
エージェントを訓練して現実の挿入タスクを成功させる手法を実証する。
論文 参考訳（メタデータ） (2020-04-29T18:00:22Z)
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。