論文の概要: Contact-Aware Imitation Learning Through Contact Factorization
- arxiv url: http://arxiv.org/abs/2610.09533v1
- Date: Wed, 07 Oct 2026 06:36:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.752497
- Title: Contact-Aware Imitation Learning Through Contact Factorization
- Title（参考訳）: 接触因子化による接触認識模倣学習
- Abstract要約: 汎用的なコンタクトリッチな操作は、物理的な実現を接触条件の変化に適応させながら、意図したタスク動作を維持することをロボットに要求する。
本研究では,環境に依存した接触要因から意図したタスク動作を分離する,コンタクトファクターによる模倣学習フレームワークであるFACEを紹介する。
表面特性と幾何の相違による実ロボット接触リッチな操作におけるFACEの評価を行った。
- 参考スコア（独自算出の注目度）: 8.235119281001591
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generalizable contact-rich manipulation requires robots to preserve intended task behavior while adapting its physical realization to changing contact conditions. However, interaction forces can vary substantially with small changes in surface geometry, orientation, and friction, making policies trained directly on raw force measurements difficult to transfer beyond demonstrated conditions. We introduce FACE, a contact-factorized imitation learning framework that separates intended task behavior from environment-dependent contact factors. Our representation expresses interaction forces in normalized, contact-relative coordinates, while a learned contact-normal estimator and an online friction estimator infer the local contact normal and effective friction scale. Together, these estimators enable force observations to be encoded and policy outputs to be decoded into physical motion and force commands during execution. In this way, FACE adapts execution to current contact conditions while preserving the intended task behavior, without updating the policy parameters. We evaluate FACE on real-robot contact-rich manipulation under unseen variations in surface properties and geometry, demonstrating robust generalization across contact conditions through controlled comparisons with variants that adapt prior approaches to our setting. Videos and additional materials can be found on the project page: https://rcilab.khu.ac.kr/face.
- Abstract（参考訳）: 汎用的なコンタクトリッチな操作は、物理的な実現を接触条件の変化に適応させながら、意図したタスク動作を維持することをロボットに要求する。
しかし、相互作用力は表面形状、配向、摩擦の小さな変化と大きく異なるため、実力測定に基づいて直接訓練されたポリシーは、実証された条件を超えて伝達することが困難である。
本研究では,環境に依存した接触要因から意図したタスク動作を分離する,コンタクトファクターによる模倣学習フレームワークであるFACEを紹介する。
我々の表現は, 正常化・接触相対座標における相互作用力を表現し, 学習された接触正規分布推定器とオンライン摩擦推定器は局所接触正規分布と有効摩擦スケールを推定する。
これらの推定器は、強制観察を符号化し、ポリシー出力を物理運動にデコードし、実行中に強制コマンドを強制する。
このようにして、FACEは、ポリシーパラメータを更新することなく、意図したタスク動作を維持しながら、現在のコンタクト条件に実行を適応させる。
表面特性と幾何の相違による実ロボット接触リッチな操作におけるFACEの評価を行い、我々の設定に事前のアプローチを適用する変種との制御された比較により接触条件間の堅牢な一般化を実証した。
ビデオと追加資料はプロジェクトページで見ることができる。
関連論文リスト
- 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) - HIGenNTO: Scalable Humanoid Interaction Generation via Noise-Space Trajectory Optimization [20.181113523841386]
本稿では,ヒューマノイドとシーンのインタラクション・モーション・リファレンスを合成するフレームワークHIGenNTOについて述べる。
ロボット環境とロボット対象タスク全体にわたって、HIGenNTOはトラッキングポリシによって実行可能な動作を生成する。
これらのポリシーをUnitree G1上に4つのコンタクト豊富なタスクにデプロイします。
論文 参考訳（メタデータ） (2026-09-18T21:52:56Z) - Function-Preserving Data Generation for Zero-Shot Real-to-Sim-to-Real Manipulation [14.858715829714518]
提案手法は, 震源軌道を遠隔保存することなく, 再建された資産から合成デモを生成する機能を有するリアルタイム・ストリーム・トゥ・リアルフレームワークを提案する。
本手法は,制約誘導メッシュ変形によるタスク関連オブジェクトのジオメトリを,物理的に一貫したタスクポーズと衝突プロキシの転送とともに拡張する。
論文 参考訳（メタデータ） (2026-09-16T08:13:40Z) - ConCent: Contact-Centric Real-to-Sim-to-Real Learning from One Demonstration [17.067367964368486]
Sim-to-real Policy Transferは、大規模な実世界のデータなしでロボット操作をスケールするための有望なパラダイムである。
本稿では,実演から抽出したタスク関連接触イベントシーケンスを利用する,コンタクト中心の実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実
接触リッチな操作タスクの実験は、制約のないRLベースラインよりも安定でロバストなsim-to-realポリシー転送を示す。
論文 参考訳（メタデータ） (2026-06-29T13:16:33Z) - DragMesh-2: Physically Plausible Dexterous Hand-Object Interaction with Articulated Objects [12.35353010124029]
調音物体との有害な相互作用は、家庭、補助、ヒューマノイド操作において重要である。
そこでDragMesh-2について述べる。
また,身体情報を利用した接触認識学習機構であるPICAを提案する。
論文 参考訳（メタデータ） (2026-06-13T05:47:14Z) - 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) - CoCo-InEKF: State Estimation with Learned Contact Covariances in Dynamic, Contact-Rich Scenarios [10.290787487255301]
CoCo-InEKFは、二元接触状態の代わりに連続接触速度共分散を利用する微分不変な拡張カルマンフィルタである。
我々は、接触候補点を予測するために状態エラー損失を用いて、エンドツーエンドで訓練された軽量ニューラルネットワークを用いる。
二足歩行ロボットの実験は、線形速度推定に優れた精度・効率のトレードオフを示す。
論文 参考訳（メタデータ） (2026-05-14T17:35:06Z) - 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) - Semantic-Contact Fields for Category-Level Generalizable Tactile Tool Manipulation [82.63833405368159]
ツール操作の一般化には、セマンティックプランニングと正確な物理的制御の両方が必要である。
本研究では,密接な接触推定を伴う視覚的意味論を融合した3次元表現であるセマンティック・コンタクト・フィールド(SCFields)を提案する。
スクレイピング、クレヨン描画、剥離の実験は、堅牢なカテゴリレベルの一般化を示している。
論文 参考訳（メタデータ） (2026-02-14T16:05:08Z) - COCOI: Contact-aware Online Context Inference for Generalizable
Non-planar Pushing [87.7257446869134]
一般的なコンタクトリッチな操作問題は、ロボット工学における長年の課題である。
深層強化学習は、ロボット操作タスクの解決に大きな可能性を示している。
動的プロパティのコンテキスト埋め込みをオンラインにエンコードする深層RL法であるCOCOIを提案する。
論文 参考訳（メタデータ） (2020-11-23T08:20:21Z)
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。