論文の概要: Force-Modulated Dexterity: Unified Compliance for Contact-Rich Manipulation

• arxiv url: http://arxiv.org/abs/2610.17161v1
• Date: Mon, 12 Oct 2026 17:37:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.429811
• Title: Force-Modulated Dexterity: Unified Compliance for Contact-Rich Manipulation
• Title（参考訳）: 力変調デキスタリティ:コンタクトリッチマニピュレーションの統一コンプライアンス
• Abstract要約: Force-Modulated Dexterity (FOMO-Dex) は、コンタクトリッチな操作のための統一されたコンプライアンス形式である。 選択した方向に沿って力駆動の動作補正を施し、残りのコマンドコンポーネントをそのまま残す。 ユーザスタディでは、簡単な練習の後、1時間あたりのより成功した実演データを収集している。
• 参考スコア（独自算出の注目度）: 44.53286058333844
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Teleoperation is widely used to collect high-quality demonstrations for robot learning. Dexterous manipulation, however, requires coordinated control of motion and contact forces. Operators can specify motion, but struggle to reproduce the subtle force adjustments of human manipulation without feeling the robot's contacts. We introduce Force-Modulated Dexterity (FOMO-Dex), a unified compliance formulation for contact-rich manipulation. FOMO-Dex expresses nominal actions in coordinates defined by task geometry and contact structure. It applies force-driven motion corrections along selected directions while leaving the remaining command components unchanged. Across card picking, paper cutting, screwdriving, and nut-and-bolt assembly, FOMO-Dex reduces excessive contact forces compared with stiff control. A user study shows that operators collect more successful demonstration data per hour after brief practice. For policy learning, imitating the corrected actions improves card-picking success over imitating raw operator commands. Policies trained on FOMO-Dex demonstrations also achieve more rotation in nut-and-bolt manipulation and screwdriving than those trained on demonstrations collected with the stiff controller. Videos are shown on https://yingyuan0414.github.io/fomo-dex/ .
• Abstract（参考訳）: 遠隔操作はロボット学習のための高品質なデモンストレーション収集に広く利用されている。 しかし、有害な操作は、運動と接触力を協調的に制御する必要がある。 オペレーターは動きを指定できるが、ロボットの接触を感じずに人間の操作の微妙な力調整を再現することは困難である。 本稿では,FMO-Dex(Force-Modulated Dexterity)について紹介する。 FOMO-Dexは、タスク幾何学と接触構造によって定義された座標における名的行動を表現する。 選択した方向に沿って力駆動の動作補正を施し、残りのコマンドコンポーネントをそのまま残す。 カードのピッキング、紙切り、スクリュー運転、ナット&ボルト組立、FOMO-Dexは、硬い制御に比べて過剰な接触力を減少させる。 ユーザスタディでは、簡単な練習の後、1時間あたりのより成功した実演データを収集している。 ポリシー学習では、修正されたアクションを模倣することで、生のオペレータコマンドを模倣するよりもカードピッキングの成功が向上する。 FOMO-Dexのデモで訓練されたポリシーは、堅いコントローラーで収集されたデモで訓練されたものよりも、ナット・アンド・ボルト操作とスクリュー運転の回転率を高める。 ビデオはhttps://yingyuan0414.github.io/fomo-dex/ に表示される。

関連論文リスト

• Robot Learning with Visual Predicted Force [50.37652437302163]
  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。
  論文  参考訳（メタデータ） (2026-10-03T20:11:33Z)
• Bench2Dex: Benchmarking Visuo-Tactile Bimanual Dexterous Manipulation Across Dexterous Hands [99.00248904465089]
  指の構造、接触面、センサーレイアウトが異なる。 本報告では,12手にわたるバイスオタクティルバイマニュアル操作のシミュレーションベンチマークであるBench2Dexについて述べる。
  論文  参考訳（メタデータ） (2026-09-14T15:22:59Z)
• NestDex: Nested Policy Learning with Copilot Assisted Teleoperation for Dexterous Manipulation [3.901334865327756]
  有害な操作は、物理的な世界とのよりリッチなロボットインタラクションを約束します。 しかし、これらの行動を学ぶことは、一貫性のある完全なタスクのデモンストレーションを集めることの難しさに制約されているままです。 我々はNestDexを紹介した。NestDexはネストされたポリシー学習フレームワークで、この負担を軽減する。
  論文  参考訳（メタデータ） (2026-08-13T15:25:39Z)
• Transferring Contact, Not Just Motion: Compliant Grasping Across Dexterous Hands [0.01268579273097071]
  悪質な把握は接触調節に依存し、運動のみに依存しない。 既存のクロス・エボディメント・デキスタラス・ポリシーは、リターゲティングされた手の動きや潜伏動作を通じて動きを統一するが、力フィードバックは各手の感覚と運動に結びついている。 本研究は異種手間における接触認識操作のためのクロス・エボディメント力配置インタフェースを導入する。
  論文  参考訳（メタデータ） (2026-06-14T00:01:36Z)
• TouchGuide: Inference-Time Steering of Visuomotor Policies via Touch Guidance [53.35296919674763]
  TouchGuideは、低次元のアクション空間内でモダリティを融合させる、クロス政治的なビズオ触覚融合パラダイムである。 TouchGuideは、事前訓練された拡散またはフローマッチングビズモータポリシーをガイドする2つの段階で動作する。 高品質で費用対効果の高いデータによるTouchGuideトレーニングを容易にするために,データ収集システムであるTacUMIを導入する。
  論文  参考訳（メタデータ） (2026-01-28T04:22:47Z)
• Dexplore: Scalable Neural Control for Dexterous Manipulation from Reference-Scoped Exploration [58.4036440289082]
  ハンドオブジェクトモーションキャプチャ(MoCap)は、大規模でコンタクトに富んだデモと、器用なロボットスコープの約束を提供する。 Dexploreは、リポジトリとトラッキングを実行し、MoCapから直接ロボット制御ポリシーを学習する、統一された単一ループ最適化である。
  論文  参考訳（メタデータ） (2025-09-11T17:59:07Z)
• 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 Variable Compliance Control From a Few Demonstrations for Bimanual Robot with Haptic Feedback Teleoperation System [5.497832119577795]
  厳格なロボットを使った、きめ細やかな、接触に富んだ操作は、ロボット工学において重要な課題である。 外部センサを介して力を制御することでこれらの問題を緩和するために、コンプライアンス制御スキームが導入されている。 Demonstrationsからの学習は直感的な代替手段であり、ロボットは観察された動作を通じて操作を学習できる。
  論文  参考訳（メタデータ） (2024-06-21T09:03:37Z)

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。