論文の概要: Point It, Strike It: Direction-Conditioned Dynamic Manipulation of Deformable Linear Objects

• arxiv url: http://arxiv.org/abs/2610.09573v1
• Date: Wed, 07 Oct 2026 07:15:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.77205
• Title: Point It, Strike It: Direction-Conditioned Dynamic Manipulation of Deformable Linear Objects
• Title（参考訳）: ポイント・イット・ストライク・イット:変形可能な線形物体の方向制御動的マニピュレーション
• Abstract要約: 本研究では,先端の3次元位置と到達方向を示す目標を持つ単振ロープについて検討する。 現状のDLOシミュレータであるDeformXをGPUアクセラレーション、安定なCosseratロッドソルバ、クロスフロー空力モデルで拡張する。 また、シミュレータのロープとリグパラメータを数個のキャリブレーションスイングに適合させ、シミュレーションで訓練された補正ポリシーで動作を調整するRECAPを提案する。
• 参考スコア（独自算出の注目度）: 23.726711455368164
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Goal-conditioned dynamic manipulation of deformable linear objects has mainly specified goals as positions for a rope tip to reach. Many tasks, however, depend on how the tip arrives. We therefore study single-swing rope striking with goals that specify the tip's 3D position and arrival direction, across the workspace and on different ropes. This is challenging because rope dynamics are hard to model, no demonstrations exist, distinct swings reach the same goal with different reliability, and the sim-to-real gap extends beyond the rope. To address these challenges, we extend the state-of-the-art DLO simulator DeformX with GPU acceleration, a stable Cosserat rod solver, and a cross-flow aerodynamic model, yielding DeformX2.0, which is more than $20{,}000\times$ faster. We then propose TRACE (Trace-rooted Adaptive Cross-Entropy), which generates striking data by warm-starting each new target from the stored swing whose tip path passes closest to it. Its cost penalizes rope bending and abrupt tip motion to favor repeatable swings. A conditional flow-matching policy trained on this data reaches 92.1% accuracy in simulation. Finally, we propose RECAP (Residual Calibration Policy), which fits the simulator's rope and rig parameters to a few calibration swings and adapts actions with a correction policy trained in simulation. On a real robot, across three ropes, RECAP raises success within 5cm from 72% to 87% for position goals, and within 10cm and 10° from 50% to 79% for goals that also specify the arrival direction.
• Abstract（参考訳）: 変形可能な線形物体のゴール条件付き動的操作は主にロープ先端に到達する位置として指定された目標を持つ。 しかし、多くのタスクは、どのようにチップが到着するかに依存します。 そこで我々は,作業空間内および異なるロープ上で,先端の3次元位置と到達方向を指定する目標を打つ単一投振ロープについて検討した。 ロープのダイナミックスはモデル化が難しく、デモは存在せず、異なるスイングが異なる信頼性で同じ目標に達するため、シム・トゥ・リアルのギャップはロープを超えて広がるため、これは難しい。 これらの課題に対処するため、最先端のDLOシミュレータであるDeformXをGPUアクセラレーション、安定したCosseratロッドソルバ、クロスフロー空力モデルで拡張し、20{,}000\times$より高速なDeformX2.0を得る。 そこで我々はTRACE (Trace-rooted Adaptive Cross-Entropy) を提案する。 そのコストはロープの屈曲と急激な先端の動きをペナルティ化し、繰り返し可能なスイングを好んでいる。 このデータに基づいてトレーニングされた条件付きフローマッチングポリシーは、シミュレーションにおいて92.1%の精度に達する。 最後に,シミュレータのロープとリグパラメータを数個のキャリブレーションスイングに適合させるRECAP(Residual Calibration Policy)を提案する。 実際のロボットでは、3本のロープにまたがって、RECAPは位置目標の72%から87%、到着方向の50%から79%まで10cmから10°の範囲で成功する。

関連論文リスト

• RopeFormer: Cross-Trial Adaptation from Interaction History for Dynamic Rope Manipulation [49.2203507737809]
  本稿では,従来のタスクインタラクションをコンテキストとして使用した履歴条件付きフレームワークであるRopeFormerについて紹介する。 我々は,事前の相互作用が動的変形オブジェクト操作に有効な制御コンテキストを提供することを示す。
  論文  参考訳（メタデータ） (2026-09-20T07:59:01Z)
• PointZero: 3D Point Track Completion for Learning Transferable 3D Dynamics [59.78822532381607]
  本研究では,移動可能な3Dダイナミックスをロボットデータなしで学習するための事前学習目的として,3Dポイントトラック補完について検討する。 本研究では,ロボットの動作ラベルを必要とせずに,よりリッチな3Dダイナミックスを実現することを実証する。 フレキシブルで表現力のある変換器であるPointZeroは、同じデータ上で先行メソッドよりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-09-16T17:59:30Z)
• ForwardDLO: Model-Based Bimanual Shape Matching of Unconstrained Deformable Linear Objects [12.045392054359551]
  ロープ、ケーブル、その他の変形可能な線形オブジェクトは、切断からケーブルのルーティング、縫合までタスクに現れる。 モデルに基づく形状制御を汎用的に研究する。 本稿では、この固定されていないバイマニュアル設定に対して、リカレント遅延力学モデルであるForwardDLOを提案する。
  論文  参考訳（メタデータ） (2026-09-16T10:47:33Z)
• ReDraft, Don't Just Distill: Reference-Driven Revision for Continual VLLM Post-Training [66.72708893922605]
  大規模なマルチモーダルモデルのポストトレーニングは、事前トレーニングから保護しながら、新しい機能を追加する必要がある。 SFTは、タスクをほぼゼロの精度から学習する明確なターゲット監視を提供するが、そのオフポリティックターゲットはモデルを十分に移動させ、忘れる原因となる。 モデル自身の失敗から両方を得るReDraftを紹介します。
  論文  参考訳（メタデータ） (2026-09-15T04:59:03Z)
• Wiggle and Go! System Identification for Zero-Shot Dynamic Rope Manipulation [5.816977440415847]
  そこで本研究では,学習前のシミュレーションを利用して,目標条件付きロープの動的操作を通知する手法を提案する。 ゼロショットタスクロープ操作を可能にするシステム識別2段階フレームワークであるWiggle and Go!を紹介する。
  論文  参考訳（メタデータ） (2026-04-23T22:17:45Z)
• APEX: Learning Adaptive High-Platform Traversal for Humanoid Robots [32.84976822343718]
  本稿では,登頂型高プラットフォーム交通行動認識システムであるAPEXを提案する。 私たちのアプローチの中心は、コンタクトに富んだ目標達成策を学ぶための一般的なラチェット進歩報酬です。 我々は、LiDARベースのフルボディ操作ポリシーを訓練し、sim-to-real知覚ギャップを低減する。
  論文  参考訳（メタデータ） (2026-02-11T18:55:11Z)
• RobotDancing: Residual-Action Reinforcement Learning Enables Robust Long-Horizon Humanoid Motion Tracking [50.200035833530876]
  RobotDancingはシンプルでスケーラブルなフレームワークで、残留する関節の目標を予測して、ダイナミックスの不一致を明示的に修正する。 複数分間の高エネルギー動作(ジャンプ、スピン、カートホイール)をトラッキングし、高いモーショントラッキング品質のハードウェアにゼロショットをデプロイする。
  論文  参考訳（メタデータ） (2025-09-25T03:30:34Z)
• WANDR: Intention-guided Human Motion Generation [67.07028110459787]
  我々は,アバターの初期ポーズとゴールの3D位置を取り,ゴール位置にエンドエフェクタ(抵抗)を配置する自然な人間の動きを生成するデータ駆動モデルであるWADRを紹介する。 インテンションはエージェントをゴールに誘導し、サブゴールやモーションパス全体を定義することなく、新しい状況にインタラクティブに世代を適応させる。 提案手法を広範に評価し,3次元目標に到達した自然および長期の動作と,見当たらない目標位置を生成できることを実証する。
  論文  参考訳（メタデータ） (2024-04-23T10:20:17Z)
• An Effective Motion-Centric Paradigm for 3D Single Object Tracking in Point Clouds [50.19288542498838]
  LiDARポイントクラウド(LiDAR SOT)における3Dシングルオブジェクトトラッキングは、自動運転において重要な役割を果たす。 現在のアプローチはすべて、外観マッチングに基づくシームズパラダイムに従っている。 我々は新たな視点からLiDAR SOTを扱うための動き中心のパラダイムを導入する。
  論文  参考訳（メタデータ） (2023-03-21T17:28:44Z)
• Robust Quadrupedal Locomotion on Sloped Terrains: A Linear Policy Approach [3.752600874088677]
  私たちは、四足歩行ロボットStochに2ドル(約2万2000円)のリニアポリシーを使っています。 特に、エンドフット軌道のパラメータは、胴体方向と地形傾斜を入力として取る線形フィードバックポリシーによって形成される。 結果として生じる歩行は、地形の斜面の変動や外部のプッシュに対して堅牢である。
  論文  参考訳（メタデータ） (2020-10-30T16:02:08Z)

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。