論文の概要: Robot Learning with Visual Predicted Force
- arxiv url: http://arxiv.org/abs/2610.04741v1
- Date: Sat, 03 Oct 2026 20:11:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-11 17:13:35.924945
- Title: Robot Learning with Visual Predicted Force
- Title（参考訳）: 視覚的予測力を用いたロボット学習
- Abstract要約: 本研究では、Fin Rayグリップの変形から視覚力予測を行うことで、力覚操作が可能であることを示す。
この結果から,視覚力予測は,視覚力や触覚センサの配置を必要とせずに,コンタクトリッチな操作のための推論時行動選択を導出できることがわかった。
- 参考スコア（独自算出の注目度）: 50.37652437302163
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Force-aware manipulation typically relies on specialized force or tactile sensors. We show that force-aware manipulation can instead be achieved through visual force prediction from the deformation of a compliant Fin Ray gripper. Our approach trains two models. First, we train a visual force estimator on calibration data and use it to annotate task demonstrations with force estimates. Second, we train an action--force proposal policy on these force-augmented demonstrations to jointly generate candidate robot actions and their associated forces. At test time, we sample candidate actions and the forces they are expected to produce, then execute the action whose predicted force is closest to a target from the demonstrations. We evaluate our approach on berry picking, empty-can grasping, in-hand reorientation, and plug insertion. Our results show that visual force prediction can guide inference-time action selection for contact-rich manipulation without requiring force or tactile sensors at deployment.
- Abstract（参考訳）: 力覚操作は通常、特殊な力や触覚センサーに依存している。
そこで本研究では、Fin Rayグリップの変形による視覚力予測により、力覚操作を実現できることを示す。
我々のアプローチは2つのモデルを訓練する。
まず、キャリブレーションデータに基づいて視覚力推定器を訓練し、それをアノテート・タスク・デモに力推定を用いたアノテートに利用する。
第2に,ロボット行動とその関連力を共同で生成するために,これらの力強化された実演に対する行動強制提案ポリシーを訓練する。
テスト時には、候補となるアクションと、それらが生み出すであろう力をサンプリングし、次に、予測された力がデモからターゲットに最も近いアクションを実行する。
ベリーの摘み方, 空き缶のつかみ方, 手での方向転換, プラグ挿入について検討した。
以上の結果から,視覚力予測は,触覚センサや力を必要としない接触操作のための推論時行動選択を導出できることがわかった。
関連論文リスト
- One-Shot Multimodal Learning from Demonstration with Force-Constrained Elastic Maps [0.0]
本稿では,一発的マルチモーダル学習(LfD)フレームワークを提案する。
まず,時間とともに空間的および力的モダリティを適応的に重み付けする多モード確率的セグメンテーション手法を提案する。
第2に、スキルエンコーディング中に外部力制約を組み込むように弾性写像を拡張し、力一貫性軌道モデル学習のための凸最適化手順を定式化する。
論文 参考訳（メタデータ） (2026-07-10T15:27:50Z) - ForceBand: Learning Forceful Manipulation with sEMG [55.186900419710746]
ForceBandは低コストで手首を縫ったsEMGシステムで、人間の筋肉活動を力で強化されたデモに変える。
我々は,筋電図およびIMU信号から指ごとの力を予測するEMG2Forceモデルを事前訓練する。
実験により、ForceBandは視覚ベースラインよりも50%以上低い力予測誤差で細粒度の指先相互作用を回復することが示された。
論文 参考訳（メタデータ） (2026-06-24T17:59:35Z) - GigaWorld-Policy: An Efficient Action-Centered World--Action Model [50.107640832046464]
GigaWorld-Policyはアクション中心のWAMで、2Dピクセルアクションのダイナミクスを学習し、オプションのビデオ生成で効率的なアクションデコーディングを可能にする。
実世界のロボットプラットフォームでの実験結果によると、GigaWorld-Policyは主要なWAMベースラインであるMotusの9倍高速で動作する。
論文 参考訳（メタデータ） (2026-03-18T00:52:02Z) - 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) - Learning Gentle Grasping from Human-Free Force Control Demonstration [4.08734863805696]
そこで本研究では,データサイズに制限のある人手と同様の動作を実現するために,理想的な力制御実験から把握する手法を提案する。
提案手法は,人間の実演を伴わない参照力曲線の自動生成に,既知の接触特性を持つ物体を用いる。
この方法は視覚に基づく触覚センサに効果的に適用でき、地面からの物体の緩やかで安定した把握を可能にする。
論文 参考訳（メタデータ） (2024-09-16T15:14:53Z) - What Makes Pre-Trained Visual Representations Successful for Robust
Manipulation? [57.92924256181857]
照明やシーンテクスチャの微妙な変化の下では,操作や制御作業のために設計された視覚表現が必ずしも一般化されないことがわかった。
創発的セグメンテーション能力は,ViTモデルにおける分布外一般化の強い予測因子であることがわかった。
論文 参考訳（メタデータ） (2023-11-03T18:09:08Z) - Use the Force, Luke! Learning to Predict Physical Forces by Simulating
Effects [79.351446087227]
物体と相互作用する人間の映像から接触点と物理的力の推測の問題に対処する。
具体的には、シミュレーションを用いて効果を予測し、推定された力がビデオに描かれたものと同じ効果をもたらすことを強制する。
論文 参考訳（メタデータ） (2020-03-26T17:20:23Z)
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。