論文の概要: Wrench-ACT: Enhancing Robot Policies for Contact Rich Behavior Using Direct Wrench Control
- arxiv url: http://arxiv.org/abs/2609.37552v1
- Date: Tue, 29 Sep 2026 13:29:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.557386
- Title: Wrench-ACT: Enhancing Robot Policies for Contact Rich Behavior Using Direct Wrench Control
- Title（参考訳）: Wrench-ACT: 直接 Wrench 制御を用いたコンタクトリッチ動作のためのロボットポリシーの強化
- Abstract要約: 本稿では,純粋力制御器による直接使用のための唯一の動作出力としてレンチを予測できる模倣学習ポリシーを提案する。
両面のレンチデモでシングルタスクモデルを訓練し、5つのコンタクトリッチな操作タスクで評価する。
- 参考スコア（独自算出の注目度）: 8.98848679442351
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: While contact-rich manipulation requires deliberate regulation of interaction forces, recent approaches to robot manipulation learning predominantly represent actions as target positions or poses. Even methods that incorporate force sensing either use it solely as an observation or, when predicting forces as part of the output, rely on a hybrid force controller. In this paper, we propose an imitation learning policy that predicts wrenches as its sole action output for direct use by a pure force controller. Our studies suggest that force-domain imitation learning depends critically on data collection, with force-feedback teleoperation improving policy performance by capturing the operator's deliberate force regulation. Using Action Chunking with Transformers (ACT) as the base architecture, we train single-task models on bilateral wrench demonstrations and evaluate them on five contact-rich manipulation tasks. The wrench policy matches or outperforms position-based baselines across all tasks, with gains varying according to the degree of deliberate force regulation each task requires. Cross-condition ablations show that the bilateral data collection interface and the wrench action space each contribute independently to performance. To support further research, we will release over 1000 wrench-action demonstrations spanning these tasks on a companion website upon publication.
- Abstract（参考訳）: コンタクトリッチな操作は、相互作用力の故意な規制を必要とするが、最近のロボット操作学習のアプローチは、主にアクションを標的位置やポーズとして表現している。
力感知を組み込んだ方法でさえ、観測としてのみ使用するか、出力の一部として力を予測する場合、ハイブリッド力制御装置に依存している。
本稿では,純粋な力制御器による直接使用のための唯一の動作出力としてレンチを予測できる模倣学習ポリシーを提案する。
本研究は、力領域模倣学習がデータ収集に大きく依存していることを示し、力フィードバック遠隔操作は、操作者の意図した力規制を捕捉することにより、政策性能を向上させることを示唆している。
基本アーキテクチャとしてAction Chunking with Transformers (ACT) を用い、両面のレンチデモでシングルタスクモデルを訓練し、5つのコンタクトリッチな操作タスクで評価する。
レンチポリシーは、すべてのタスクにまたがって位置ベースのベースラインを適合または上回り、各タスクが要求する意図的な力規制の度合いに応じて利得が変化する。
クロスコンディションの短縮は、両側のデータ収集インタフェースとレンチアクション空間がそれぞれ独立して性能に寄与していることを示している。
さらなる研究を支援するため、これらのタスクにまたがる1000以上のwrench-actionデモを、出版時に共同ウェブサイトで公開します。
関連論文リスト
- TORL-VLA: Tactile Guided Online Reinforcement Learning for Contact-Rich Manipulation [24.661831588991898]
TORL-VLAは、触覚フィードバックとポリシーの強化を組み合わせた、コンタクトリッチな操作のためのオンライン強化学習フレームワークである。
本手法では, 触覚由来のレンチ認識型VLAを用いて, 参照動作と将来のレンチシーケンスを予測する。
探索的政策と人為的介入の混成データから学習を安定させるために,介入検閲された評論家を紹介する。
論文 参考訳（メタデータ） (2026-06-08T11:05:05Z) - ForceFlow: Learning to Feel and Act via Contact-Driven Flow Matching [53.30290192030814]
ForceFlowは、フローマッチングに基づいて構築された、フォース対応のリアクティブフレームワークである。
ForceFlowは、強力なベースラインであるForceVLAよりも37%の成功率の向上を実現している。
また、接触力の自己調節において、正確な力信号予測と優れた性能を示す。
論文 参考訳（メタデータ） (2026-05-11T13:27:00Z) - Force Policy: Learning Hybrid Force-Position Control Policy under Interaction Frame for Contact-Rich Manipulation [55.969741720077565]
コンタクトリッチな操作は、人間のような知覚と力のフィードバックの統合を要求する。
既存の学習ベースのポリシは、これらの役割をモノリシックなネットワークに束縛することが多い。
本研究では,グローバル・ローカル・ビジョン・フォース・ポリシーを提案する。このポリシーでは,グローバル・グローバル・ポリシーが視覚を用いて自由空間動作を誘導し,接触時に,力フィードバックによる高周波ローカル・ポリシーが相互作用フレームを推定し,安定した相互作用のためのハイブリッド・フォース・ポジション・コントロールを実行する。
論文 参考訳（メタデータ） (2026-02-25T16:35:24Z) - Learning-based Cooperative Robotic Paper Wrapping: A Unified Control Policy with Residual Force Control [11.21445976755808]
本稿では,大規模言語モデルを用いた高レベルタスクプランナと,低レベルのハイブリッド模倣学習と強化学習ポリシを統合した学習ベースフレームワークを提案する。
中心となるのは、人間のデモンストレーションから統一されたポリシーを学ぶサブタスク認識ロボットトランスフォーマー(START)である。
統一型トランスフォーマーベースのポリシーは、特殊なモデルの必要性を減らし、制御された人間の監督を可能にし、変形可能なオブジェクト操作に必要なきめ細かい力制御によって、高レベルの意図を効果的に橋渡しすることを示す。
論文 参考訳（メタデータ） (2025-11-05T04:55:35Z) - 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) - Rethinking Bimanual Robotic Manipulation: Learning with Decoupled Interaction Framework [51.39847596489193]
バイオマチックなロボット操作は、ロボティクスコミュニティにおいて、新しくて重要なトピックである。
本稿では,バイマニュアル操作における異なるタスクの特徴を考察した,疎結合なインタラクションフレームワークを提案する。
我々のフレームワークは,SOTA法よりも23.5%向上し,優れた性能を実現している。
論文 参考訳（メタデータ） (2025-03-12T09:28:41Z) - FACTR: Force-Attending Curriculum Training for Contact-Rich Policy Learning [70.65987250853311]
フォースフィードバックは、ほとんどのロボットアームで簡単に利用できるが、遠隔操作や政策学習では一般的には使われない。
本稿では,低コストで直感的で双方向な遠隔操作システムを提案し,従者アームの外部力を教師アームに伝える。
次に、FACTRというカリキュラムを利用した政策学習手法を導入し、学習を通して視覚入力を劣化させ、強度を低下させる。
論文 参考訳（メタデータ） (2025-02-24T18:59:07Z) - Learning Variable Compliance Control From a Few Demonstrations for Bimanual Robot with Haptic Feedback Teleoperation System [5.497832119577795]
厳格なロボットを使った、きめ細やかな、接触に富んだ操作は、ロボット工学において重要な課題である。
外部センサを介して力を制御することでこれらの問題を緩和するために、コンプライアンス制御スキームが導入されている。
Demonstrationsからの学習は直感的な代替手段であり、ロボットは観察された動作を通じて操作を学習できる。
論文 参考訳（メタデータ） (2024-06-21T09:03:37Z)
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。