論文の概要: FoLD: Force-Informed Learning for Dexterous Articulated Object Manipulation
- arxiv url: http://arxiv.org/abs/2609.33551v1
- Date: Sun, 27 Sep 2026 13:21:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-05 15:45:40.880603
- Title: FoLD: Force-Informed Learning for Dexterous Articulated Object Manipulation
- Title（参考訳）: FoLD: Dexterous Articulated Object Manipulationのためのフォースインフォームドラーニング
- Abstract要約: FoLDは、明瞭なオブジェクトの巧妙な操作を学ぶためのフレームワークである。
ロボットの現在の相互作用状態とともに、人間のデモンストレーションから補償力場を計算する。
タスクや実施範囲で、最先端のベースラインを一貫して上回ります。
- 参考スコア（独自算出の注目度）: 24.98621625884378
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Transferring human demonstrations to dexterous robots remains challenging because differences in hand morphology and contact dynamics often cause retargeted motions to fail at producing the intended object behavior. We present \textbf{FoLD}, a framework for learning dexterous manipulation of articulated objects through explicit force guidance. FoLD compute compensatory force fields from human demonstrations together with the robot's current interaction state, yielding a force prior that promotes the demonstrated object motion. This force prior informs a residual policy that adapts retargeted hand motions to the contact requirements of the task. We evaluate FoLD on a public benchmark for articulated object manipulation, where it consistently outperforms state-of-the-art baselines across tasks and embodiments. We further validate FoLD on real dexterous robot platforms, demonstrating successful transfer of human manipulation skills to robot execution. Here is the link of our project page: https://gghgghgghgg.github.io/FoLD-project-page/.
- Abstract（参考訳）: 人間のデモを器用なロボットに転送することは、手の形態や接触のダイナミクスの違いが、意図した物体の振る舞いを生み出すために、しばしば再ターゲットされた動きを失敗させるため、依然として難しい。
本稿では,明示的な力指導を通じて,明瞭な物体の巧妙な操作を学習するフレームワークである「textbf{FoLD}」について述べる。
FoLDは、人間のデモからの補償力場をロボットの現在の相互作用状態と共に計算し、実証された物体の動きを促進する前に力を与える。
この力は、タスクの接触要求に手の動きを適応させる残留ポリシーを事前に通知する。
FOLDは,タスクや具体的操作における最先端のベースラインを一貫して上回る,定式化されたオブジェクト操作のための公開ベンチマークで評価する。
さらに,実際のロボットプラットフォーム上でのFoldの検証を行い,人間の操作能力のロボット実行への移動を実証した。
https://gghgghgghgg.github.io/FoLD-project-page/。
関連論文リスト
- ViLoMan: Learning Visual-Proprioceptive Whole-Body Loco-Manipulation Skills for Humanoid Robots [56.6238848953359]
ViLoManは、自律的なヒューマノイドロコ操作のためのスケーラブルなフレームワークである。
自我中心の深度観測と主観的測定を直接ジョイントレベル全体の行動にマッピングする統一的なポリシーを学ぶ。
論文 参考訳（メタデータ） (2026-09-16T19:10:13Z) - ReForce: Learning Force-aware Retargeting for Dexterous Manipulation [9.525202879335618]
ReForceは、人間の動きと力を、意図した接触を再現するロボットアクションに変える、フォース対応のリターゲティング手法だ。
オンラインフォース対応の遠隔操作とオフラインデータ変換の両方をサポートする。
紙カップの握りやトング操作といったコンタクトリッチなタスクに対して、力追跡誤差の低減と、より強力なマルチフィンガーコンタクトエンゲージメントを実現する。
論文 参考訳（メタデータ） (2026-08-16T06:13:14Z) - ObjRetarget: An Object-Aware Motion Retargeting Framework with Anthropomorphic Arm Constraints and Polyhedral Hand Modeling [9.378632224914458]
人間の操作ビデオからの巧妙な操作は、ロボットアクションの実行に確実に人間の意図を必要とする。
既存の手法はしばしば明示的な接触モデリングや強化を無視し、精度と一般化が制限される。
本研究では,人間のビデオからロボットの器用な操作を学習するためのロボットモーションフレームワークRetargetを提案する。
論文 参考訳（メタデータ） (2026-07-04T11:31:23Z) - WT-UMI: Tactile-based Whole-Body Manipulation via Force-Supervised Contact-Aware Planning [7.150534189488604]
ばらばらで変形可能な、共有負荷オブジェクトの全身ヒューマノイド操作には、分散接触センシングと明示的な力規制が必要である。
本稿では,人間の操作者やヒューマノイドに装着したウェアラブルな全身触覚インタフェースである textbfWT-UMI を提案する。
論文 参考訳（メタデータ） (2026-06-11T11:45:58Z) - Functional Force-Aware Retargeting from Virtual Human Demos to Soft Robot Policies [22.000828900701237]
我々は,ソフトロボットに接触力について明示的に推論することで,人間のような操作スキルを身につけるためのフレームワークであるSoftActを紹介した。
人間の関節軌跡をリターゲットする従来のアプローチとは異なり、SoftActは2段階の力認識アルゴリズムを採用している。
論文 参考訳（メタデータ） (2026-04-01T17:59:35Z) - OmniRetarget: Interaction-Preserving Data Generation for Humanoid Whole-Body Loco-Manipulation and Scene Interaction [76.44108003274955]
ヒューマノイドロボットの複雑なスキルを教えるための主要なパラダイムは、強化学習ポリシーの運動学的参照として人間の動きを再ターゲットすることである。
インタラクションメッシュに基づくインタラクション保存データ生成エンジンであるOmniRetargetを紹介する。
人間のメッシュとロボットメッシュの間のラプラシアの変形を最小限にすることで、OmniRetargetは運動学的に実現可能な軌道を生成する。
論文 参考訳（メタデータ） (2025-09-30T17:59:02Z) - Feel the Force: Contact-Driven Learning from Humans [52.36160086934298]
操作中のきめ細かい力の制御は、ロボット工学における中核的な課題である。
We present FeelTheForce, a robot learning system that model human tactile behavior to learn force-sensitive control。
提案手法は,5つの力覚的操作タスクで77%の成功率を達成した,スケーラブルな人間の監督において,堅牢な低レベル力制御を実現する。
論文 参考訳（メタデータ） (2025-06-02T17:57:52Z) - Hand-Object Interaction Pretraining from Videos [77.92637809322231]
我々は,3次元ハンドオブジェクトインタラクショントラジェクトリから,一般的なロボット操作を学習する。
人間の手と操作された物体を3D空間で共有し、人間の動きをロボットの動きと共有する。
我々は、このポリシーを、強化学習(RL)と行動クローニング(BC)の両方で微調整することで、下流タスクへのサンプル効率の適応を可能にし、従来のアプローチと比較して堅牢性と一般化性を同時に改善できることを実証的に実証した。
論文 参考訳（メタデータ） (2024-09-12T17:59:07Z) - 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。