論文の概要: Learning Reflexive Behavior for Contact-Rich Manipulation
- arxiv url: http://arxiv.org/abs/2610.02811v1
- Date: Fri, 02 Oct 2026 05:01:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.213409
- Title: Learning Reflexive Behavior for Contact-Rich Manipulation
- Title（参考訳）: コンタクトリッチマニピュレーションのための学習反射挙動
- Abstract要約: 接触に富んだ操作の間、ロボットとその環境間の相互作用は局所幾何学に関する情報を運ぶ。
これらの相互作用を利用するコントローラは、タスク意図を維持しながら環境制約に従うことができる。
我々は3つの単純な相互作用プリミティブのシミュレーションにおいて、固有反射ポリシーを学習する。
- 参考スコア（独自算出の注目度）: 13.543798949207073
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: During contact-rich manipulation, interactions between a robot and its environment carry information about local geometry: a surface prevents penetration, a bore guides a peg. A controller that exploits these interactions can comply with environmental constraints while preserving task intent. Robot-earning systems commonly use position, hybrid force-position, or Cartesian impedance control. Their prescribed tracking objectives, stiffness, or force-control directions may not match local constraints and may degrade performance. We learn a proprioceptive reflex policy in simulation on three simple interaction primitives: a spring, a plane, and a rail. The policy maps task-space commands to joint-position targets using state history, without direct force or geometrical measurements. Once trained, it serves as a frozen execution layer beneath higher-level controllers. We evaluate it in dual-arm box lifting, peg insertion, and surface following. In box lifting, the reflex kept the force below the threshold while the baseline failed. In rough-surface following it stayed below the 10 N reference, on par with tuned hybrid force-position control. In 0.02 mm peg insertion It reduced mean estimated contact force to less than half that of the baseline while increasing hardware success rates from at most 22 % to 36-58 %. By separating contact response from command generation, the reflex policy provides motion planners, learned policies, and teleoperators with robust contact-rich execution.
- Abstract（参考訳）: 接触に富んだ操作の間、ロボットと環境の間の相互作用は、局所幾何学に関する情報を運ぶ:表面が浸透を妨げ、ボアがペグを案内する。
これらの相互作用を利用するコントローラは、タスク意図を維持しながら環境制約に従うことができる。
ロボットアーニングシステムは通常、位置、ハイブリッド力配置、またはカルテシアンインピーダンス制御を使用する。
彼らの所定の追跡目標、硬さ、力制御方向は、局所的な制約と一致せず、性能を低下させる可能性がある。
我々は、スプリング、平面、レールの3つの単純な相互作用プリミティブのシミュレーションにおいて、受容的反射ポリシーを学習する。
このポリシーは、タスク空間のコマンドを、直接力や幾何学的な測定なしに、状態履歴を使って、共同配置ターゲットにマッピングする。
一度トレーニングすると、より高いレベルのコントローラの下にフリーズされた実行層として機能する。
両腕ボックスリフト, ペグ挿入, サーフェスフォローで評価した。
ボックスリフトでは、反射はベースラインが故障する間、しきい値以下に力を保持した。
粗面では、10N基準以下にとどまり、調整されたハイブリッド力配置制御と同等であった。
0.02mmペグ挿入では、平均接触力はベースラインの半分以下に低下し、ハードウェアの成功率は少なくとも22%から36-58%に増加した。
コマンド生成からコンタクト応答を分離することにより、反射ポリシーは、堅牢なコンタクトリッチ実行を備えたモーションプランナー、学習されたポリシー、テレオペレータを提供する。
関連論文リスト
- HACo: Learning Haptic Active Compliance for Force-Aware Dexterous Manipulation [12.372274717502513]
本稿では,ハプティック・アクティブ・コンプライアンス・ポリシーであるHACoを紹介する。
我々は,多接触摩擦,接種相互作用,脆性曲面接触,回転トルク,変形性物体操作を含む実世界のベンチマークでHACoを評価した。
論文 参考訳（メタデータ） (2026-09-29T03:17:04Z) - Real-Time Force Regulation for Whole-Hand Dexterous Grasping [56.253219596767075]
本報告では, 接触の動的変化に対するリアルタイム力規制の枠組みについて述べる。
本手法は, 触覚を必要とせず, 全ハンドリンクにまたがる接触を幾何学的に推定する。
我々は,この力調節制御系を反応的リーチと統合し,手の動きを把握し,乱れ下で保持し,物体を失くした後の再生を可能にする。
論文 参考訳（メタデータ） (2026-09-24T16:31:51Z) - InsertAnything: Generalizable Contact-Rich Precision Insertion from Simulation to Reality [5.694253916127773]
直接配置のシミュレーションで完全に挿入ポリシーを訓練する強化学習フレームワークを提案する。
シミュレーションされた六角形挿入タスクでのみ訓練された単一のポリシーは、全体的な成功率は95.0%に達した。
これらの結果は,シミュレーションで完全に学習することで,実世界のタスクを直接展開し再利用できる精度の挿入スキルが得られることを示している。
論文 参考訳（メタデータ） (2026-09-21T12:51:29Z) - GraspSense: Physically Grounded Grasp and Grip Planning for a Dexterous Robotic Hand via Language-Guided Perception and Force Maps [2.1645011609137295]
5本の指を持つロボットハンドにおいて,選択と力の調節を把握するためのパイプラインを提案する。
オペレーターコマンドから、システムはターゲットオブジェクトを特定し、SAM3Dを使って3D形状を再構成し、モデルをIsaac Simにインポートする。
物理インフォームド幾何解析は、各表面位置で許容される最大横接触力を符号化する力マップを計算する。
論文 参考訳（メタデータ） (2026-04-07T10:48:33Z) - ForceVLA2: Unleashing Hybrid Force-Position Control with Force Awareness for Contact-Rich Manipulation [75.39847750457626]
エンドツーエンドの視覚言語アクションフレームワークであるForceVLA2は、ハイブリッドな力配置制御と明示的な力覚を備えたロボットを装備する。
学習と評価を支援するために,5つの接触豊富なタスクに1,000の軌道を含むForceVLA2-Datasetを構築した。
実験により、ForceVLA2は接触リッチな操作における成功率と信頼性を大幅に改善することが示された。
論文 参考訳（メタデータ） (2026-03-16T12:03:58Z) - 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) - Direction Matters: Learning Force Direction Enables Sim-to-Real Contact-Rich Manipulation [28.707088673008172]
本稿では,専門家が設計したコントローラロジックを転送に利用するフレームワークを提案する。
タスクにおける特権的監督の成功に触発されて、シミュレーションには人間によって設計された有限状態マシンベースの位置/力制御を用いる。
シミュレーションの不正確さに非常に敏感な力の大きさとは異なり、力の方向はハイレベルなタスク形状を符号化し、シム・トゥ・リアルギャップをまたいで頑健なままである。
論文 参考訳（メタデータ） (2026-02-15T14:57:13Z) - Reactive Diffusion Policy: Slow-Fast Visual-Tactile Policy Learning for Contact-Rich Manipulation [58.95799126311524]
人間は視覚と触覚を使って、外的変化に対する迅速な応答や接触力の適応制御のような非常に反応性の高い能力で、コンタクトリッチなタスクを達成できる。
既存の視覚模倣学習アプローチは、複雑な振る舞いをモデル化するためにアクションチャンキングに依存している。
本稿では,Augmented Realityを通じてリアルタイム触覚フィードバックを提供する,低コスト遠隔操作システムであるTactARを紹介する。
論文 参考訳（メタデータ） (2025-03-04T18:58:21Z)
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。