論文の概要: Beyond the End-Effector: Learning Whole-Arm Contact Manipulation from Human Demonstrations

• arxiv url: http://arxiv.org/abs/2610.17802v1
• Date: Tue, 13 Oct 2026 06:29:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 17:08:31.063038
• Title: Beyond the End-Effector: Learning Whole-Arm Contact Manipulation from Human Demonstrations
• Title（参考訳）: エンドエフェクタを超えて:人間のデモから全人工接触操作を学習する
• Abstract要約: 人間は、効率、堅牢性、適応性を改善するために、通常、全腕接触を利用する。 本稿では3つのロボット非依存表現を用いて各アームの接触タスクを記述した階層型フレームワークを提案する。 WACLは、強いリンク配置ベースラインが失敗するエンドエフェクタ制約の下で接触を維持することを示す。
• 参考スコア（独自算出の注目度）: 4.309625470095576
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robot manipulation has traditionally relied on end-effector-centric interactions. In contrast, humans routinely exploit whole-arm contacts to improve efficiency, robustness, and adaptability, especially when the hands are occupied or when precise grasping is unnecessary. Enabling similar capabilities in robots remains challenging: the robot must select where on its arm to make contact, generate effective non-prehensile interactions, and satisfy task-specific pose or safety constraints on the end-effector. We propose Whole-Arm Contact Learning (WACL), a hierarchical framework that describes each whole-arm contact task with three robot-agnostic representations and hands them to a quasi-static surface-contact optimizer: semantic keypoints that summarize the scene, a reference contact trajectory that specifies where and how the arm presses on the object, and safety-aware path constraints that a vision-language model generates from the task description to protect the end-effector's task. The robot's kinematic chain enters only in this optimizer, which grounds these representations onto the arm by jointly searching over which link makes contact, where on that link, and the joint configuration that realizes it. This decomposition lets WACL learn the contact trajectory from 10 bare-hand human demonstrations per task collected without teleoperation, while new end-effector constraints change only the optimizer's input rather than any trained component. Real-world experiments on a 7-DoF arm across four whole-arm tasks show that WACL sustains contact under end-effector constraints where a strong link-pose baseline fails (78% vs. 33% success) and generalizes to new constraints without retraining. Website: https://wacl-robot.github.io
• Abstract（参考訳）: ロボット操作は伝統的に、エンドエフェクター中心のインタラクションに依存してきた。 対照的に、人間は腕の接触を日常的に利用して効率、堅牢性、適応性を向上させる。 ロボットは腕のどこで接触し、効果的な非包括的相互作用を生成し、タスク固有のポーズや、エンドエフェクターの安全性の制約を満たす必要がある。 本稿では,3つのロボット非依存表現を用いて各アーム接触タスクを記述した階層的フレームワークであるWhole-Arm Contact Learning (WACL)を提案し,それらを準静的表面接触最適化器に手渡す。 ロボットのキネマティックチェーンは、このオプティマイザにのみ入っており、どのリンクが接触するか、どのリンクが接触しているか、そしてそれを実現するジョイント構成を共同で検索することで、これらの表現を腕に接地する。 この分解により、WACLは遠隔操作なしで収集されたタスクごとに10個の人手による実演から接触軌跡を学習し、一方、新しいエンドエフェクタ制約は、訓練されたコンポーネントではなく、オプティマイザの入力だけを変える。 4つの全腕タスクにわたる7-DoFアームの実世界での実験は、WACLが強いリンクプレースベースラインが失敗する(78%対33%の成功)端エフェクタ制約の下で接触を持続し、再トレーニングなしで新しい制約に一般化することを示している。 ウェブサイト:https://wacl-robot.github.io

関連論文リスト

• Contact Trajectory Prompting: In-Context Transfer of Contact-Rich Behaviors from a Single Demonstration [105.07023811083566]
  コンテキスト内ロボット学習により、ロボットはテスト時間パラメータを更新することなく、デモから新しい行動を取得することができる。 本稿では,コンタクトリッチな操作行動のワンショット転送のためのフレームワークであるContact Trajectory Prompting (CTP)を提案する。 CTPは、単一のデモンストレーションから順序付けられた接触軌道プロンプトに動きと接触情報を符号化する。
  論文  参考訳（メタデータ） (2026-10-13T17:58:08Z)
• Robotizing Human Videos with Physically Consistent Interactions [54.27025073220947]
  ビデオ編集の手法は手でレンダリングされたロボットに取って代わるが、不正確なインタラクションの再構築は不整合の把握を生み出す。 これらの障害には、相互作用幾何学とシーン可視性という2つの相補的な物理的側面から対処する。 その結果得られたビデオは、人間のデモの相互作用構造をロボット互換の形で保存し、ロボットのデモと共同で訓練される。
  論文  参考訳（メタデータ） (2026-10-05T11:08:50Z)
• 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)
• Weave: Learning Whole-Body Dexterous Loco-Manipulation from Human-Object Interactions [6.968853416384178]
  ヒューマノイドと物体の相互作用を学習するには、ロボットと物体の動きの両方を制御するために、全身のバランス、移動、器用な接触を調整する必要がある。 我々は、捕獲された人間の実演から全身のデキスタス・ヒューマノイド・オブジェクトの相互作用を学習するための統合フレームワークWeaveを提案する。
  論文  参考訳（メタデータ） (2026-09-15T06:04:36Z)
• TACTIC: Tactile and Vision Conditioned Contact-Centric Control for Whole-Arm Manipulation [3.8628620899766553]
  全腕操作では、ロボットがタスクを完了する間、環境と直接接触する。 本稿では,TACTIC(Tactile and Vision Conditioned Contact-Centric Control)を提案する。
  論文  参考訳（メタデータ） (2026-07-10T09:08:55Z)
• WT-UMI: Tactile-based Whole-Body Manipulation via Force-Supervised Contact-Aware Planning [7.150534189488604]
  ばらばらで変形可能な、共有負荷オブジェクトの全身ヒューマノイド操作には、分散接触センシングと明示的な力規制が必要である。 本稿では,人間の操作者やヒューマノイドに装着したウェアラブルな全身触覚インタフェースである textbfWT-UMI を提案する。
  論文  参考訳（メタデータ） (2026-06-11T11:45:58Z)
• OmniRetarget: Interaction-Preserving Data Generation for Humanoid Whole-Body Loco-Manipulation and Scene Interaction [76.44108003274955]
  ヒューマノイドロボットの複雑なスキルを教えるための主要なパラダイムは、強化学習ポリシーの運動学的参照として人間の動きを再ターゲットすることである。 インタラクションメッシュに基づくインタラクション保存データ生成エンジンであるOmniRetargetを紹介する。 人間のメッシュとロボットメッシュの間のラプラシアの変形を最小限にすることで、OmniRetargetは運動学的に実現可能な軌道を生成する。
  論文  参考訳（メタデータ） (2025-09-30T17:59:02Z)
• 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)
• HOSIG: Full-Body Human-Object-Scene Interaction Generation with Hierarchical Scene Perception [57.37135310143126]
  HO SIGは階層的なシーン認識を通じて全体インタラクションを合成するための新しいフレームワークである。 我々のフレームワークは、自己回帰生成による運動長の無制限化をサポートし、手動による介入を最小限に抑える。 この研究は、シーン認識ナビゲーションとデクスタラスオブジェクト操作の間に重要なギャップを埋める。
  論文  参考訳（メタデータ） (2025-06-02T12:08:08Z)

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。