論文の概要: Grasp2Twist: Learning Bimanual Dexterous Jar Opening by Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2609.32064v1
• Date: Fri, 25 Sep 2026 23:01:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 03:24:25.618461
• Title: Grasp2Twist: Learning Bimanual Dexterous Jar Opening by Reinforcement Learning
• Title（参考訳）: Grasp2Twist: 強化学習による2次元デクサラスジャーのオープン学習
• Abstract要約: 本稿では,強化学習を用いてオープンジャー蓋の握りとねじりを学習する両用デキスタラス操作システムであるGrasp2Twistについて述べる。 このタスクの学習には、3つの課題がある。多段階のタスクに対する統一されたポリシーの学習、蓋のねじれの維持、およびシム・トゥ・リアル・トランスファーである。 手のひらと指先によって形成される凸部と物体中心の幾何学的関係から導かれる。 我々は,これらの接触変化の探索を容易にするために3段階のカリキュラムを使用し,シミュレート・トゥ・リアル・トランスファーの堅牢性を向上させる。
• 参考スコア（独自算出の注目度）: 16.97167456504627
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents Grasp2Twist, a bimanual dexterous manipulation system that learns to grasp and twist open jar lids using reinforcement learning. Learning this task raises three challenges: learning a unified policy for a multi-stage task, sustaining lid twisting, and sim-to-real transfer. To address the first challenge, we introduce a continuous enclosure measure to guide grasp formation and a binary enclosure indicator to guide the grasp-to-twist transition for unified policy learning. We derive both from the geometric relationship between the object center and the convex hull formed by the hand's palm and fingertips. Kinematic constraints limit how far the hand can rotate the lid with fixed contacts, so sustained twisting requires finger contact reconfiguration. We use a three-stage curriculum to facilitate exploration of these contact changes and also improve robustness for sim-to-real transfer. With our approach, the learned policy demonstrates finger gaiting, reconfiguring hand-object contacts to sustain lid rotation. It transfers zero-shot to the physical system and achieves an 88% task success rate across six household containers, including peanut-butter, vitamin, and instant-coffee jars. Ablations further validate the roles of the geometric enclosure in grasp formation and the curriculum in contact-reconfiguration exploration.
• Abstract（参考訳）: 本稿では,強化学習を用いてオープンジャー蓋の握りとねじりを学習するバイマンデキスタス操作システムであるGrasp2Twistについて述べる。 このタスクの学習には、3つの課題がある。多段階のタスクに対する統一されたポリシーの学習、蓋のねじれの維持、およびシム・トゥ・リアル・トランスファーである。 第1の課題に対処するため、我々は、一貫した政策学習のためのグリップ・ツー・ツー・ツー・ツイスト遷移を導くために、グリップ形成をガイドする連続囲い尺度とバイナリ囲い指標を導入する。 手のひらと指先によって形成される凸部と物体中心の幾何学的関係から導かれる。 運動的制約は、手が固定された接触で蓋をどの程度回転させるかを制限するため、持続的なねじれは指の接触再構成を必要とする。 我々は,これらの接触変化の探索を容易にするために3段階のカリキュラムを使用し,シミュレート・トゥ・リアル・トランスファーの堅牢性を向上させる。 本手法では, 指の触覚を呈し, 触覚接触を再構成し, 蓋回転を持続する。 ゼロショットを物理的システムに転送し、ピーナッツバター、ビタミン、インスタントコーヒー瓶を含む6つの家庭用容器で88%のタスク成功率を達成する。 アブレーションは、グリップ形成における幾何学的囲いの役割と、接触再構成探索におけるカリキュラムを更に検証する。

関連論文リスト

• HapticWAM: Distilling Imagined Touch into a World-Action Model without Inference-Time Tactile Sensing [1.9182058480922208]
  ヘテロジニアスな触覚符号化, 構造的接触予測, 教師-学生蒸留を組み合わせた世界行動モデルHapticWAMを紹介する。 触覚ピクセルのみを予測するのではなく、モデルではアクションと将来のイベントとメカニックを記述するコンタクトパッケージを共同で生成する。 予測接触結合は、以前想像されたパッケージを使用して注意を喚起し、直接触覚観察が不可能な場合に接触関連入力を保存する。
  論文  参考訳（メタデータ） (2026-09-20T21:49:50Z)
• Robust In-Hand Manipulation via Priors in Reinforcement Learning and Mechanical Design [4.975198309365314]
  指介在物との接触の不確実性や重力による乱れなどにより,外部感知のない手動操作は困難である。 強靭な手動圧延に先立つ2つの相補的な物理法則を導入する。 その結果, 回転効率, グリップ安定性, および外乱拒絶が有意に向上した。
  論文  参考訳（メタデータ） (2026-07-13T19:32:41Z)
• 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)
• Learning Tactile-Aware Quadrupedal Loco-Manipulation Policies [33.25194785586049]
  階層構造を有する触覚対応ロコ操作ポリシー学習パイプラインを提案する。 まず、実世界の人間のデモを活用して、触覚条件付きビゾタクタクタブルな高レベルポリシーを訓練する。 第2に,触覚を意識した全身制御政策を学習するために,シミュレーションにおいて大規模強化学習を行う。
  論文  参考訳（メタデータ） (2026-04-29T21:46:58Z)
• TouchGuide: Inference-Time Steering of Visuomotor Policies via Touch Guidance [53.35296919674763]
  TouchGuideは、低次元のアクション空間内でモダリティを融合させる、クロス政治的なビズオ触覚融合パラダイムである。 TouchGuideは、事前訓練された拡散またはフローマッチングビズモータポリシーをガイドする2つの段階で動作する。 高品質で費用対効果の高いデータによるTouchGuideトレーニングを容易にするために,データ収集システムであるTacUMIを導入する。
  論文  参考訳（メタデータ） (2026-01-28T04:22:47Z)
• Curriculum Is More Influential Than Haptic Information During Reinforcement Learning of Object Manipulation Against Gravity [0.0]
  指先で物体を持ち上げて回転させる学習は、自律的な手動操作に必要である。 そこで我々は,カリキュラム学習と触覚フィードバックが創発的操作の学習に果たす役割について検討した。
  論文  参考訳（メタデータ） (2024-07-13T19:23:11Z)
• Twisting Lids Off with Two Hands [82.21668778600414]
  シミュレーションで訓練された政策を実世界へ効果的かつ効率的に移行する方法を示す。 具体的には,ボトル状物体の蓋を両手でねじる問題について考察する。 これは、バイマガル・マルチフィンガーハンドでそのような機能を実現する最初のsim-to-real RLシステムである。
  論文  参考訳（メタデータ） (2024-03-04T18:59:30Z)
• Learning to Transfer In-Hand Manipulations Using a Greedy Shape Curriculum [79.6027464700869]
  本研究では, 動的シミュレーションにおける簡易物体の自然な, 頑健な手動操作が, 高品質なモーションキャプチャの例から学習可能であることを示す。 本稿では,ティーポット,バニー,ボトル,トレイン,ゾウなど,さまざまな対象に適用可能な,単純なグリージーなカリキュラム検索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-03-14T17:08:19Z)
• Collaborative Learning for Hand and Object Reconstruction with Attention-guided Graph Convolution [49.10497573378427]
  インタラクション中の手や物体のポーズと形状を推定すると、拡張現実や仮想現実を含む多くの応用が見つかる。 我々のアルゴリズムはオブジェクトモデルへの最適化であり、手動オブジェクトの相互作用を管理する物理規則を学習する。 広範に使用されている4つのベンチマークを用いて実験したところ、我々のフレームワークは3次元ポーズ推定における最先端の精度を超えて達成でき、また、密集した3次元手や物体の形状を復元できることがわかった。
  論文  参考訳（メタデータ） (2022-04-27T17:00:54Z)

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。