論文の概要: Tactile Sensing-based Secure and Gentle Grasping of Unknown Objects
- arxiv url: http://arxiv.org/abs/2610.12790v1
- Date: Thu, 08 Oct 2026 22:48:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-13 04:06:29.311806
- Title: Tactile Sensing-based Secure and Gentle Grasping of Unknown Objects
- Title（参考訳）: 触覚による未知物体の保護とジェントルグルーピング
- Abstract要約: 本稿では,未知の物体を安全に把握するための新しいデータ駆動予測制御フレームワークを提案する。
提案システムは,グリップ・オブジェクトの動的相互作用をリアルタイムに特徴付ける,コンパクトで単一チャネルの触覚検出モジュールを特徴とする。
提案手法では, 生豆腐やマシュマロなどの微妙な物から, 岩などの粗い物まで, 物体を操作できる。
- 参考スコア（独自算出の注目度）: 3.4750373060886104
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reliable robotic manipulation requires maintaining a firm grasp while strictly avoiding both contact slip and structural damage to the object. Satisfying these inherent \textit{secure-and-gentle} grasping constraints is challenging for unknown objects. We present a novel online data-driven predictive control framework for safe dynamic robotic grasping of unknown objects. The proposed system features a pair of compact, single-channel tactile-sensing modules that characterize the gripper-object dynamic interaction in real time, entirely bypassing the need for prior knowledge or offline training. A finite-state-machine-based grasping force probing mechanism is developed to establish the initial grasping force and explicitly identify grasping force constraints. Through online dynamics learning, a Gaussian Process (GP) model captures gripper-object interaction dynamics. The model uncertainties are further used to form robust grasping constraints, which are embedded into a model predictive control scheme. We demonstrate error convergence in a probabilistic sense. The proposed control framework runs at 100~Hz in real time to dynamically manipulate and handle objects rather than static holding. Extensive experimental evaluations across diverse contact surface topologies and various types of objects validate superior performance and efficiency compared to baseline strategies. The proposed method is able to manipulate objects ranging from delicate items, such as raw tofu and marshmallows, to rough objects, such as rocks.
- Abstract（参考訳）: 信頼性の高いロボット操作では、しっかりとした握りを維持しながら、接触すべりと物体の構造的損傷を厳密に回避する必要がある。
これらの固有の \textit{secure-and-gentle} 把握制約を満たすことは、未知のオブジェクトに対して難しい。
本稿では,未知の物体を安全に把握するための新しいオンラインデータ駆動予測制御フレームワークを提案する。
提案システムでは,グリップ・オブジェクトの動的相互作用をリアルタイムに特徴付け,事前知識やオフライントレーニングの必要性を完全に回避する,コンパクトな単一チャネル触覚センシングモジュールを特徴とする。
有限状態機械に基づく把持力探索機構を開発し、初期把持力を確立し、把持力制約を明確に識別する。
オンラインダイナミクス学習を通じて、ガウス過程(GP)モデルは、グリップとオブジェクトの相互作用のダイナミクスをキャプチャする。
モデルの不確実性は、モデル予測制御スキームに埋め込まれた頑健な把握制約を形成するためにさらに使用される。
確率論的意味において誤り収束を示す。
提案する制御フレームワークは、静的保持ではなく、動的にオブジェクトを操作および処理するために、リアルタイムで100〜Hzで動作する。
各種接触面トポロジおよび各種物体に対する広範囲な実験的評価は, ベースライン戦略よりも優れた性能と効率性を示す。
提案手法では, 生豆腐やマシュマロなどの微妙な物から, 岩などの粗い物まで, 物体を操作できる。
関連論文リスト
- Fetch My Beer: Synthetic-to-real Hierarchical Policy for Smooth Pick-and-place [54.561625475942584]
本研究では, 液体充填容器の安定輸送について検討し, ロボットが物体を目標場所へ移動させながら, スロッシングを抑え, こぼれを防止する方法を検討した。
このタスクは運動の滑らかさと軌道レベルの安定性に厳格な要件を課し、既存のシステムの明確な制限を明らかにする。
物理的に検証されたデータ生成と階層的拡散型コントローラを結合した合成から現実のフレームワークを提案する。
論文 参考訳（メタデータ） (2026-09-16T04:55:12Z) - Control Architecture for Safe Grasping of Fragile Objects Using a Coarse Position-Controlled Gripper [0.26999000177990923]
粗い位置制御グリップに対する力/トルクに基づく接触推定法を提案する。
所望の接触力は、未知の性質の物体との安定した接触を維持するためにオンラインで推定される。
実験の結果,提案アルゴリズムはすべりを防止できるだけでなく,物体を安全に把握するための最小の力も適用できることがわかった。
論文 参考訳（メタデータ） (2026-09-11T11:37:40Z) - IMPACT: Learning Internal-Model Predictive Control for Forceful Robotic Manipulation [43.12484757720005]
実世界のロボット操作タスクは、しばしば環境との力強い相互作用を伴う。
我々は、これらの強制的なタスクをタスク計画と内部モデルに基づく予測制御に分離するフレームワークIMPACTを提案する。
論文 参考訳（メタデータ） (2026-06-09T13:00:56Z) - HAIC: Humanoid Agile Object Interaction Control via Dynamics-Aware World Model [56.4392302336014]
本稿では,外部状態推定を伴わない多種多様なオブジェクトダイナミクス間のロバストな相互作用のためのフレームワークであるHAICを提案する。
我々の重要な貢献は、主観的歴史のみから高次対象状態(速度、加速度)を推定するダイナミクス予測器である。
ヒューマノイドロボットの実験では、HAICはアジャイルタスクで高い成功率を達成する。
論文 参考訳（メタデータ） (2026-02-12T09:34:35Z) - Self-supervised Physics-Informed Manipulation of Deformable Linear Objects with Non-negligible Dynamics [14.801939035043352]
SPiDは、変形可能な線形オブジェクトの動的操作のための物理インフォーム付き自己教師付き学習フレームワークである。
タスク指向コストを用いてニューラルコントローラをトレーニングし、微分可能なオブジェクトモデルとの相互作用を通じてエンドツーエンドの最適化を可能にする。
我々は、手頃なマーカーレスロープ認識法を開発し、ノイズや低周波状態の更新を伴って、制御が性能を維持することを示す。
論文 参考訳（メタデータ） (2026-02-03T15:14:09Z) - Dynamic Manipulation of Deformable Objects in 3D: Simulation, Benchmark and Learning Strategy [88.8665000676562]
従来の手法は、しばしば問題を低速または2D設定に単純化し、現実の3Dタスクに適用性を制限する。
データ不足を軽減するため、新しいシミュレーションフレームワークと、低次ダイナミクスに基づくベンチマークを導入する。
本研究では,シミュレーション前トレーニングと物理インフォームドテスト時間適応を統合するフレームワークであるDynamics Informed Diffusion Policy (DIDP)を提案する。
論文 参考訳（メタデータ） (2025-05-23T03:28:25Z) - Learning Physics From Video: Unsupervised Physical Parameter Estimation for Continuous Dynamical Systems [49.11170948406405]
本研究では,単一のビデオから既知の連続制御方程式の物理パラメータを推定する教師なし手法を提案する。
Delfys75は5種類の動的システムのための75本のビデオからなる実世界のデータセットだ。
論文 参考訳（メタデータ） (2024-10-02T09:44:54Z) - 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) - DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via
Physics Simulation [81.11585774044848]
我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。
提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
論文 参考訳（メタデータ） (2023-10-11T05:34:36Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z)
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。