論文の概要: See to Reach, Feel to Grasp: Learning A Blind Grasp Reflex for Anthropomorphic Robotic Hands

• arxiv url: http://arxiv.org/abs/2609.31323v1
• Date: Fri, 25 Sep 2026 14:27:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.439801
• Title: See to Reach, Feel to Grasp: Learning A Blind Grasp Reflex for Anthropomorphic Robotic Hands
• Title（参考訳）: 人型ロボットハンドのブラインドグラス反射を学習する
• Abstract要約: 局所的な接触制御から大域的な腕の動きを分離するモジュラーデクスタラス把握アーキテクチャを提案する。 我々はこのテクティタをブラインド・グリーグ・リフレクションと呼び、画像や物体のポーズ、幾何学的な観察なしに把握する。 シミュレーションとハードウェアの実験では、多様な物体にまたがる堅牢なブラインド把握と、様々なアームコントローラによるシームレスな構成が示されている。
• 参考スコア（独自算出の注目度）: 52.43070416764809
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work we study if a robotic hand using proprioception alone can grasp diverse objects with no visual observation. We present a modular dexterous grasping architecture that separates global arm motion from local contact control. An independently controlled arm guides the hand toward the object, while a reinforcement learning policy grasps and stabilizes it using only hand proprioceptive feedback. We call this \textit{a blind grasp reflex}: grasping without images, object poses, or geometric observations. A learned stable-grasp score determines when the object is securely held, allowing the arm to begin post-grasp manipulation. This separation makes grasping a reusable hand-level skill that can be combined with independently designed arm controllers for various manipulation tasks. Experiments in simulation and on hardware demonstrate robust blind grasping across diverse objects and seamless composition with a range of arm controllers. Moreover, despite never observing contact geometry, the learned grasp score closely aligns with an independent physics-based measure of grasp stability. The resulting approach follows a simple principle: see to reach, feel to grasp. Project page: https://blindgraspreflex.github.io.
• Abstract（参考訳）: 本研究では,プロピロセプションのみを用いたロボットハンドが視覚的観察なしに多様な物体を把握できるかどうかを考察する。 局所的な接触制御から大域的な腕の動きを分離するモジュラーデクスタラス把握アーキテクチャを提案する。 独立に制御されたアームが物体に向かって手を誘導する一方、強化学習ポリシーは手先受容フィードバックのみを用いてそれを把握し、安定化する。 私たちはこれを「textit{a blind grasp reflex}」と呼び、画像やオブジェクトのポーズ、幾何学的な観察なしに把握します。 学習された安定グラフスコアは、オブジェクトがいつ保持されているかを決定する。 この分離により、再利用可能な手作業レベルのスキルを把握でき、様々な操作タスクのために独立して設計されたアームコントローラと組み合わせることができる。 シミュレーションとハードウェアの実験では、多様な物体にまたがる堅牢なブラインド把握と、様々なアームコントローラによるシームレスな構成が示されている。 さらに, 接触幾何を観測しなかったにもかかわらず, 学習した把握スコアは, グリップ安定性の独立な物理に基づく測定値と密接に一致している。 結果として得られたアプローチは、到達し、把握し、感じるという単純な原則に従っている。 プロジェクトページ: https://blindgraspreflex.github.io

関連論文リスト

• The Cartesian Hand: In-Hand Manipulation with All-Linear Fingers [2.8788321620612116]
  本稿では,デクスタラス操作を再考する7-DoFエンドエフェクタであるCartesian Handを紹介する。 2つの独立して動く平行グリップが物体の異なる部分を保持し、4つの翻訳指先が握った部分間の相対的な動きを生成する。 実験室、製造所、家庭の環境にまたがる35のオブジェクトにまたがって、キャップの開閉、配管、ポンプ、両ハンドル操作、ドライバー運転、アクティベーションのトリガ、およびグレープ内のリオリエンテーションを実証した。
  論文  参考訳（メタデータ） (2026-09-22T04:59:57Z)
• Fingers as Legs: Learning Self-Supported Locomotion and Manipulation with an Anthropomorphic Hand [1.3799995789461068]
  歩行ロボットハンドは、同じ指を使って体を動かし、体重を支え、環境と対話しなければならない。 人為的手は指のデザインと位置制御を保ちながら、これらのスキルを学べることを示す。
  論文  参考訳（メタデータ） (2026-09-15T13:34:40Z)
• Assembling Two Parts in One Hand [30.640839805305635]
  人間の器用さの目印は、異なる指が異なるが協調的な役割を担っている指の協調的使用である。 本研究は, 片手2つの剛体物体を1つの自在な手内に配向させることにより, 指の高さの調整について検討する。 本稿では,この問題を統一的な枠組みで解くための強化学習形式を提案する。
  論文  参考訳（メタデータ） (2026-09-09T13:17:34Z)
• ComPose: When to Trust Hands for Object Pose Tracking [44.085148707189035]
  ComPoseは、6DoFオブジェクトトラッキングフレームワークで、RGBビデオから手動でオブジェクトのポーズを推定するように設計されている。 本手法は,物体追跡のためのテキスト補完キューとして手の動きを調和させる。 結果は、ロボットがオンラインビデオから人間の行動を再構築できるようにすることで、下流ロボット操作に効果的に移行することができる。
  論文  参考訳（メタデータ） (2026-05-22T11:39:49Z)
• Neural feels with neural fields: Visuo-tactile perception for in-hand manipulation [57.60490773016364]
  マルチフィンガーハンドの視覚と触覚を組み合わせることで,手動操作時の物体の姿勢と形状を推定する。 提案手法であるNeuralFeelsは,ニューラルネットワークをオンラインで学習することでオブジェクトの形状を符号化し,ポーズグラフ問題を最適化して共同で追跡する。 私たちの結果は、タッチが少なくとも、洗練され、そして最も最良のものは、手動操作中に視覚的推定を曖昧にすることを示しています。
  論文  参考訳（メタデータ） (2023-12-20T22:36:37Z)
• Rotating without Seeing: Towards In-hand Dexterity through Touch [43.87509744768282]
  本稿では,タッチデクスタリティ(Touch Dexterity)を提案する。 小さな領域で正確な触覚センサーに頼る代わりに、ロボットハンドの片側をオーバーレイする密度の高い二分力センサー(タッチまたはタッチなし)を用いた新しいシステム設計を導入する。 我々は,各種物体のシミュレーションに強化学習を用いて手動回転ポリシーを訓練する。タッチオンリーセンシングを応用して,実際のロボットの手で直接ポリシーを展開し,トレーニングで提示されていない新規物体を回転させることができる。
  論文  参考訳（メタデータ） (2023-03-20T05:38:30Z)
• In-Hand Object Rotation via Rapid Motor Adaptation [59.59946962428837]
  指先のみを用いて手動物体の回転を実現するための簡単な適応制御器の設計と学習方法を示す。 コントローラは、円筒形物体のみのシミュレーションで完全に訓練されている。 実際のロボットの手に直接展開して、さまざまな大きさ、形状、重量をz軸上で回転させることができる。
  論文  参考訳（メタデータ） (2022-10-10T17:58:45Z)
• SAGA: Stochastic Whole-Body Grasping with Contact [60.43627793243098]
  人間の握り合成には、AR/VR、ビデオゲーム、ロボット工学など多くの応用がある。 本研究の目的は,体全体をつかむ動作を合成することである。3次元物体が与えられたら,物体に接近してつかむような,多様で自然な人体の動きを生成することを目的としている。
  論文  参考訳（メタデータ） (2021-12-19T10:15:30Z)
• V-MAO: Generative Modeling for Multi-Arm Manipulation of Articulated Objects [51.79035249464852]
  本稿では,音声による物体のマルチアーム操作を学習するためのフレームワークを提案する。 本フレームワークは,各ロボットアームの剛部上の接触点分布を学習する変動生成モデルを含む。
  論文  参考訳（メタデータ） (2021-11-07T02:31:09Z)
• Learning Dexterous Grasping with Object-Centric Visual Affordances [86.49357517864937]
  控えめなロボットハンドは、機敏さと人間のような形態をアピールしています。 本稿では,厳密な把握を学習するためのアプローチを提案する。 私たちのキーとなるアイデアは、オブジェクト中心の視覚的余裕モデルを深い強化学習ループに埋め込むことです。
  論文  参考訳（メタデータ） (2020-09-03T04:00:40Z)

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。