論文の概要: CALM: Current Aligned Link Manipulation for Single Arm Oversized Object Lifting

• arxiv url: http://arxiv.org/abs/2609.29017v1
• Date: Thu, 24 Sep 2026 04:32:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.716366
• Title: CALM: Current Aligned Link Manipulation for Single Arm Oversized Object Lifting
• Title（参考訳）: CALM: 単一アーム過大物体リフティングのための電流配向リンクマニピュレーション
• Abstract要約: Current-Aligned Link Manipulation は、モータ電流を結合荷重関連フィードバックとして使用する長軸接触リッチな操作を学習するためのフレームワークである。 ステージ固有の3つのポリシーは、まず、特権化されたシミュレーション情報を使用して再配置、把握、持ち上げを学習する。 実験では、シミュレーションにおける76.2%(762/1000回)の完全タスク成功と73.3%(22/30回)の物理ロボットによる連続的なオーバーサイズオブジェクトリフトの成功が示されている。
• 参考スコア（独自算出の注目度）: 27.902322854544835
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most robots manipulate objects solely with their end effectors, whereas humans flexibly leverage different body parts, such as the forearm and elbow, especially when handling oversized objects. Learning such whole-arm manipulation is chal-lenging due to long-horizon sparse rewards, limited contact sens-ing, and the sim-to-real gap in contact and actuator dynamics. To address these challenges, we propose Current-Aligned Link Manipulation, a framework for learning long-horizon contact-rich manipulation using motor current as joint load related feedback. Three stage-specific policies first learn repositioning, grasping, and lifting using privileged simulation information, and a stage router sequences them to generate complete task demonstrations. For sim-to-real transfer, a causal current mapper predicts physical motor current from simulated joint histories, aligning the actuator current observation between simulation and hardware. A unified student policy then learns from these demonstrations using only deployable sensor observations and is further refined with DAgger. The task policies are trained entirely in simulation, and the final student is deployed on hardware. Experiments demonstrate 76.2% (762/1000 trials) complete-task success in simulation and 73.3% success (22/30 trials) on the physical robot for sequential oversized-object lifting.
• Abstract（参考訳）: ほとんどのロボットは、エンドエフェクターで物体を操るが、人間は前腕や肘などの異なる部位を柔軟に活用する。 このような全体腕操作の学習は、長い水平のスパース報酬、接触感覚の制限、接触とアクチュエータのダイナミックスにおけるsim-to-realギャップによるチャルレンジングである。 これらの課題に対処するために、モータ電流を結合荷重関連フィードバックとして利用する長軸接触リッチな操作を学習するためのフレームワークであるCurrent-Aligned Link Manipulationを提案する。 3つのステージ固有のポリシーは、まず特権付きシミュレーション情報を使用して再配置、把握、持ち上げを学習し、ステージルータがそれらをシーケンスして完全なタスクデモを生成する。 sim-to-real転送では、因果電流マッパーがシミュレーションされた関節履歴から物理モータ電流を予測し、アクチュエータ電流をシミュレーションとハードウェアの間に整列させる。 統合された学生ポリシーは、展開可能なセンサー観測のみを使用してこれらのデモから学び、DAggerでさらに洗練される。 タスクポリシは完全にシミュレーションでトレーニングされ、最終学生はハードウェアにデプロイされる。 実験では、シミュレーションにおける76.2%(762/1000回)の完全タスク成功と73.3%(22/30回)の物理ロボットによる連続的なオーバーサイズオブジェクトリフトの成功が示されている。

関連論文リスト

• Pre-training Visual Dexterity in Simulation [67.17477115017896]
  シミュレーションで完全に収集されたデータを利用するデクスタラスな操作のための事前学習フレームワークを導入する。 5人のオペレーターの助けを借りて、1週間にわたって75時間のマルチタスク・デキスタラスな操作を収集し、配列モデリングの目的に基づいて因果変換器を事前訓練する。 提案手法は,シミュレーション遠隔操作が実世界における創発的操作のトレーニング前情報源として有効なことを示し,学習行動のクローン化方針をゼロから上回る結果を得た。
  論文  参考訳（メタデータ） (2026-08-16T20:21:33Z)
• TactSpace: Learning a Physics-enriched Shared Latent Space for Tactile Sim-to-Real Transfer [8.357674069719524]
  共用潜在空間内での不均一な触覚を整列する多モード表現学習フレームワークを提案する。 本手法では, 様々な触覚観測を共通埋め込み空間に投影するために, モダリティ特異的エンコーダを用いる。 本結果は, 物理的に異なる表現間のゼロショットsim-to-real転送を実証する。
  論文  参考訳（メタデータ） (2026-06-17T11:41:27Z)
• M3imic: Learning a Versatile Whole-Body Controller for Multimodal Motion Mimicking [45.636871702422134]
  Multi-Modal Mimicはヒューマノイドロボットのための汎用的な全身制御フレームワークである。 ロボットの関節角度、人間のポーズ軌跡、エンドエフェクターのポーズなど、異種動作参照モードを統一する。 モダリティ特異的なリトレーニングを伴わない、複数の運動基準モード間のシミュレート・トゥ・リアル転送を実現する。
  論文  参考訳（メタデータ） (2026-06-03T12:52:37Z)
• Sim-to-Real Transfer for Muscle-Actuated Robots via Generalized Actuator Networks [53.12548325396181]
  柔らかい筋肉のアクティベーションと組み合わせたテンドンドライブは、より速く、より安全なロボットを可能にする。 この複雑なアクチュエータのニューラルネットワークモデルを学習するsim-to-realパイプラインを提案する。 我々は,完全にシミュレーションで訓練された,正確なゴール獲得とダイナミック・ボール・イン・カップ・ポリシーの展開に成功した。
  論文  参考訳（メタデータ） (2026-04-10T16:52:54Z)
• D-REX: Differentiable Real-to-Sim-to-Real Engine for Learning Dexterous Grasping [66.22412592525369]
  本稿では,ガウスのSplat表現を生かした実--sim-to-realエンジンを導入し,実-sim-to-realエンジンについて述べる。 提案エンジンは, 各種物体の形状と質量値のマス識別において, 高精度かつロバストな性能を実現していることを示す。 これらの最適化された質量値は、力覚的なポリシー学習を促進し、オブジェクトの把握において優れた、高いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-03-01T15:32:04Z)
• Imitating What Works: Simulation-Filtered Modular Policy Learning from Human Videos [56.510263910611684]
  本研究では,様々な動作を行う前に物体をつかむタスクを包括的操作に対処する。 人間のビデオは、移植後の動作を学ぶための強力な信号を提供するが、必要な把握行動を学ぶのにはあまり役に立たない。 本稿では、人間の動画モーションデータを用いたモジュラー操作ポリシーをトレーニングするためのフレームワークであるPerceive-Simulate-Imitate(PSI)を提案する。
  論文  参考訳（メタデータ） (2026-02-13T18:59:10Z)
• Towards Transferring Tactile-based Continuous Force Control Policies from Simulation to Robot [19.789369416528604]
  グリップフォースコントロールは、物体に作用する力の量を制限することによって、物体を安全に操作することを目的としている。 以前の作品では、手動制御器、モデルベースのアプローチ、あるいはsim-to-realトランスファーを示さなかった。 シミュレーションで訓練されたモデルなしの深層強化学習手法を提案し,さらに微調整を行わずにロボットに移行した。
  論文  参考訳（メタデータ） (2023-11-13T11:29:06Z)
• DeXtreme: Transfer of Agile In-hand Manipulation from Simulation to Reality [64.51295032956118]
  我々は人型ロボットの手で頑健な操作を行える政策を訓練する。 本研究は,各種ハードウェアおよびシミュレータのデクスタラス操作におけるsim-to-real転送の可能性を再確認する。
  論文  参考訳（メタデータ） (2022-10-25T01:51:36Z)

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。