論文の概要: CoPRE: Improving Sensitivity in Proprioceptive Contact Detection for Low-Cost Robot Arms
- arxiv url: http://arxiv.org/abs/2609.27381v1
- Date: Wed, 23 Sep 2026 05:32:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:17.899508
- Title: CoPRE: Improving Sensitivity in Proprioceptive Contact Detection for Low-Cost Robot Arms
- Title（参考訳）: CoPRE:低コストロボットアームの初発性接触検出における感度向上
- Abstract要約: 低コストロボットアームの接触検出感度を向上させるために,CoPRE(Contact-free Proprioceptive Response Estimation)を導入した。
CoPREは、先天受容状態履歴と指令運動から接触のない運動下での期待される関節トルクを推定する。
ARX ArmとUnitree G1の実験は、CoPREがテストされた接触試験で74.1%と82.2%のリコールを達成したことを示している。
- 参考スコア（独自算出の注目度）: 15.045993818040373
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Contact detection during robotic manipulation allows robots to recognize unexpected contact and adapt their motion accordingly. However, in low-cost robot arms without dedicated force or tactile sensors, detecting weak contacts from proprioception is challenging because the resulting changes in joint-level proprioceptive signals can be small compared to normal variation and noise caused by robot motion itself. We introduce Contact-free Proprioceptive Response Estimation (CoPRE), improving proprioceptive contact detection sensitivity using only contact-free motion, without additional force sensors, contact labels, or analytical dynamics models. CoPRE estimate the expected joint torques under contact-free motion from proprioceptive state history and commanded motion, while removing recent observations that may already reflect contact. It then computes the residual between the expected and observed joint torque estimates, and maps this residual to a contact score using a noise-weighted Jacobian. Real-robot experiments on ARX Arm and Unitree G1 show that CoPRE achieves 74.1% and 82.2% recall on the tested contact trials, compared with 0%/0% on ARX and 16.3%/42.2% on G1 for the learned torque-prediction and inverse-dynamics baselines. CoPRE also reaches 90% detection rate for pushing force at 3.5 N on ARX and 5.5 N on G1. To demonstrate the downstream utility of our method, we implement belief-space manipulation planning for obstacle-aware object placement and book insertion where detected contacts update the spatial belief and enable the robot to retreat from blocked motions, adjust its pose, and retry. Project website at https://copre-arm.github.io
- Abstract（参考訳）: ロボット操作中の接触検出により、ロボットは予期せぬ接触を認識し、それに応じて動きを調整することができる。
しかしながら、専用の力や触覚センサーを持たない低コストのロボットアームでは、ロボットの動き自体による通常の変動やノイズと比較して関節レベルの受容信号の変化が小さくなるため、プロプレセプションからの弱い接触を検出することは困難である。
接触非受容応答推定(CoPRE)を導入し、接触非運動のみを用いて、追加の力センサ、接触ラベル、分析力学モデルを用いず、プロセプティヴ接触検出感度を向上させる。
CoPREは、接触を反映している可能性のある最近の観測を除去しながら、先天的な状態の履歴と指令された動きから接触のない運動の下で期待される関節トルクを推定する。
その後、期待される関節トルク推定値と観測される関節トルク推定値の間の残差を計算し、この残差をノイズ重み付きジャコビアンを用いて接触スコアにマッピングする。
ARX ArmとUnitree G1のリアルロボット実験では、試験された接触試験でCoPREが74.1%と82.2%のリコールを達成したのに対し、ARXでは0%/0%、G1では16.3%/42.2%のリコールが得られた。
CoPREはまた、ARXでは3.5N、G1では5.5Nの圧力で90%の速度で検出できる。
提案手法の下流的有用性を実証するために,検出された接触者が空間的信念を更新し,ロボットがブロックされた動きから退避し,ポーズを調整し,再試行できるように,障害物対応物体配置と本挿入のための信念空間操作計画を実装した。
Project website at https://copre-arm.github.io
関連論文リスト
- ReTouch: Empowering Contact-Rich Dexterous Manipulation with Online-Refined Tactile Prediction [42.34171808182058]
本稿では,コンタクトリッチなデクスタラス操作をサポートする視覚言語-アクションモデル(VLA)ReTouchを紹介する。
ReTouchは、触覚表現とクローズドループアクション生成の2つの主要なイノベーションの上に構築されている。
論文 参考訳（メタデータ） (2026-08-03T07:31:10Z) - A Model-Based Decoupling Strategy for Proprioception and Contact Sensing in an Architected Soft Manipulator [49.225033144914214]
軟構造セグメントに埋め込まれた流体圧センサから, 受容・接触信号を分離するモデルベース戦略を提案する。
単一ITHセグメントでは, 相対曲げ誤差0.11+/-0.02, 接触検出率97%で, 主観的形状推定が可能である。
論文 参考訳（メタデータ） (2026-07-17T03:03:19Z) - Tactile-WAM: Touch-Aware World Action Model with Tactile Asymmetric Attention [53.84395207661823]
触覚非対称注意機構(TAAM)を備えたタッチ対応WAMであるTactile-WAMを提案する。
ManiFeelでは、Tactile-WAMは平均成功率を38.9%改善し、コンタクトリッチタスクでは86%改善した。
論文 参考訳（メタデータ） (2026-06-25T06:54:56Z) - NoContactNoWorries: Estimating Contact through Vision and Proprioception for In-Hand Dexterous Manipulation [0.7378853859331618]
NoContactNoWorriesは、RGB-Dビジョンとロボットの受容とを融合してバイナリ接触状態を推測するフレームワークである。
提案手法は, 物体の逆方向を推定するために, 下流の強化学習エージェントをサポートすることを示す。
論文 参考訳（メタデータ） (2026-06-23T11:36:46Z) - 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) - Learning Contact Representation for Leg Odometry [0.0]
脚付きロボットにおける接触検出のための自己教師付き表現学習フレームワークを提案する。
学習した表現を用いて、確率論的にスタンスとスイングフェーズをモデル化する。
本フレームワークは,教師付き手法と比較して優れた性能を示した。
論文 参考訳（メタデータ） (2026-06-03T22:50:45Z) - Tactile-Proprioceptive Sensor Fusion for Contact Wrench Estimation in Whole-Body Physical Human-Robot Interaction [6.839826083147316]
本稿では,自然界における人間-ロボットインタラクションのための触覚・受容型センサー融合フレームワークを提案する。
空気圧スキンパッドからの触覚は、摩擦残留物と応用外力の間のあいまいさを回避できる接触指標として機能する。
ロボット表面上の多軸接触力を再構成するために、モータ電流によるプロプレセプションを用いてこれらのキューを融合する。
論文 参考訳（メタデータ） (2026-05-27T12:47:25Z) - 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) - Analyzing Participants' Engagement during Online Meetings Using Unsupervised Remote Photoplethysmography with Behavioral Features [50.82725748981231]
エンゲージメント測定は、医療、教育、サービスに応用される。
生理的特徴と行動的特徴の使用は可能であるが、従来の生理的測定の非現実性は接触センサーの必要性により生じる。
コンタクトセンサの代替として, 教師なし光胸腺造影(胸腔鏡)の有用性を実証する。
論文 参考訳（メタデータ） (2024-04-05T20:39:16Z) - AuraSense: Robot Collision Avoidance by Full Surface Proximity Detection [3.9770080498150224]
AuraSenseは、ロボットアームの非死点近接検知を実現する最初のシステムである。
1組の圧電トランスデューサしか必要とせず、市販のロボットにも容易に適用できる。
論文 参考訳（メタデータ） (2021-08-10T18:37:54Z) - OmniTact: A Multi-Directional High Resolution Touch Sensor [109.28703530853542]
既存の触覚センサーは、平らで、感度が小さいか、低解像度の信号のみを提供する。
我々は,多方向高解像度触覚センサOmniTactを紹介する。
我々は,ロボット制御の課題に対して,OmniTactの能力を評価する。
論文 参考訳（メタデータ） (2020-03-16T01:31:29Z)
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。