論文の概要: Blind Precise Assembly: Proprioceptive Sim-to-Real Peg-in-Hole for Diverse Parts

• arxiv url: http://arxiv.org/abs/2610.23849v1
• Date: Fri, 16 Oct 2026 17:58:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:08.063609
• Title: Blind Precise Assembly: Proprioceptive Sim-to-Real Peg-in-Hole for Diverse Parts
• Title（参考訳）: Blind Precise Assembly: 各種部品に対するプロプリオセプティブ・シム・トゥ・リール・ペグ・イン・ホール
• Abstract要約: 我々は視覚、力、トルク、触覚を使わずに、共同位置、速度、および彼ら自身の行動を観察するブラインドアセンブリポリシーを訓練する。 このようなポリシーはペグ挿入、ギアメッシュ、ナットスレッディングを学ぶ。 ペグ挿入ポリシーはゼロショットを現実世界に転送し、73%の試験で異なる形状と大きさのペグを挿入する。
• 参考スコア（独自算出の注目度）: 10.309495904500855
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Every robot already carries high-resolution contact sensors: its own joints. Legged robots and humanoids exploit them to walk, run, and track whole-body motions without vision, but there the contacts are large and forceful. Is joint sensing also enough for precise, contact-rich assembly, where the robot must find a millimeter-scale opening, mesh gear teeth, or catch a thread through light contact? We study this question by training blind assembly policies that observe only a short history of joint positions, velocities, and their own actions, without visual, force, torque, or tactile sensing. The poses of both the fixture and the part are unknown to the policy, and the grasp is randomized substantially. The policy must therefore assemble the parts through contact, sensed exclusively through its own proprioception. Trained with reinforcement learning entirely in simulation over randomized parts, grasps, and contacts, such policies learn peg insertion, gear meshing, and nut threading. The peg insertion policy transfers zero-shot to the real world and inserts pegs of different shapes and sizes in 73% of trials. Controlled comparisons with matched visual policies in simulation show that blind policies generalize far better to unseen part shapes and sizes, though they can be slower. Training such policies needs thousands of different assemblies, each simulated with its clearance intact, so we also release an open-source generator that builds them procedurally from exact convex pieces for MuJoCo; it is more accurate and faster than convex decomposition or MuJoCo's signed-distance collision. Videos and interactive simulations are at https://younghyopark.me/blind-proprioceptive-assembly/.
• Abstract（参考訳）: どのロボットも、高解像度のコンタクトセンサーをすでに持っている。 脚のついたロボットとヒューマノイドは、視覚のない全身の動きを歩いたり、走ったり、追跡するためにそれらを利用します。 ロボットは、ミリスケールの開口部、メッシュ歯車歯、または光の接触によって糸をつかむ必要がある。 視覚, 力, トルク, 触覚を伴わない, 関節位置, 速度, 動作の短い履歴だけを観察するブラインドアセンブリ・ポリシーを訓練することにより, この課題を考察する。 フィクスチャと部分の両方のポーズはポリシーに不明であり、グリップは実質的にランダム化される。 したがって、この政策は接触を通じて部品を組み立てなければならない。 ランダム化された部品、握り、接触のシミュレーションで完全に強化学習で訓練されたこのポリシーは、ペグ挿入、ギアメッシュ、ナットスレッディングを学ぶ。 ペグ挿入ポリシーはゼロショットを現実世界に転送し、73%の試験で異なる形状と大きさのペグを挿入する。 シミュレーションにおける一致した視覚ポリシーとの比較により、ブラインドポリシーはより遅くても、見えない部分の形状やサイズよりもはるかに良く一般化されることが示された。 このようなポリシーのトレーニングには何千もの異なるアセンブリが必要で、それぞれがクリアランスをそのままシミュレートするので、MuJoCoの正確な凸片から手続き的に構築するオープンソースジェネレータもリリースします。 ビデオとインタラクティブなシミュレーションはhttps://younghyopark.me/blind-prorioceptive-assembly/にある。

関連論文リスト

• No Eyes, No Problem: What Does Touch Contribute to Blind Baoding Ball Manipulation? [8.585189650593378]
  強化学習は、シミュレーションにおいて洗練されたブラインド操作ポリシーを生成することができる。 シャドウデキステラスハンドライト上でのバオディングボール回転によるこの問題について検討する。 物理的には、このポリシーは持続的なブラインドバオディング回転を達成し、225の連続した$mathbf180circ$回転をsim0.36 ;textrot/s$で達成する。
  論文  参考訳（メタデータ） (2026-10-16T13:22:03Z)
• TacGooseBumps (TacGB): Retrofitting Normal-Only Tactile Sensors with Shear Encoding for Learning Contact-Rich Manipulation [54.86974994302033]
  接触に富んだ政策はしばしば失敗する。なぜなら、異なる物理的状態は似ているが異なる行動を必要とするからである。 本稿では,既存のセンサの圧力マップのパターン変化として,タンジデンシャルローディングを機械的にエンコードするパッシブドームフィルムであるTacGooseBumpsを紹介する。 4つの模倣学習タスクと2つのデータ収集パイプラインで、TacGBは目標達成、効率、接触品質を改善している。
  論文  参考訳（メタデータ） (2026-09-27T23:04:32Z)
• See to Reach, Feel to Grasp: Learning A Blind Grasp Reflex for Anthropomorphic Robotic Hands [52.43070416764809]
  局所的な接触制御から大域的な腕の動きを分離するモジュラーデクスタラス把握アーキテクチャを提案する。 我々はこのテクティタをブラインド・グリーグ・リフレクションと呼び、画像や物体のポーズ、幾何学的な観察なしに把握する。 シミュレーションとハードウェアの実験では、多様な物体にまたがる堅牢なブラインド把握と、様々なアームコントローラによるシームレスな構成が示されている。
  論文  参考訳（メタデータ） (2026-09-25T14:27:54Z)
• FingerEye: Continuous and Unified Vision-Tactile Sensing for Dexterous Manipulation [8.809778152652724]
  有害なロボット操作は、あらゆる段階の相互作用を包括的に知覚する必要がある。 我々は,対話プロセスを通じて連続的な視覚触覚フィードバックを提供する,コンパクトで費用効率のよいセンサであるFingerEyeを紹介する。 我々は、複数のFingerEyeセンサーからの信号を融合して、限られた実世界のデータから巧妙な操作行動を学習する視覚触覚模倣学習ポリシーを開発した。
  論文  参考訳（メタデータ） (2026-04-22T15:37:34Z)
• 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)
• Beyond Sight: Finetuning Generalist Robot Policies with Heterogeneous Sensors via Language Grounding [85.63710017456792]
  FuSeは、不均一なセンサのモダリティに対する微調整型ビズモータ一般政策を可能にする新しいアプローチである。 FuSeは視覚,触覚,音などのモーダル性に対して共同で推論を必要とする挑戦的なタスクを実行できることを示す。 実世界での実験では、FuSeisはすべての基準ラインと比較して成功率を20%以上引き上げることができた。
  論文  参考訳（メタデータ） (2025-01-08T18:57:33Z)
• Zero-Shot Transfer of Haptics-Based Object Insertion Policies [11.711534127073492]
  人間は自然に触覚フィードバックを利用して、食器洗い機をロードしたり、本棚を張ったりといった、コンタクトが豊富なタスクをこなします。 現在のロボットシステムは、しばしば戦略的に配置された環境センサーに依存するため、予期せぬ接触を避けることに重点を置いている。 我々は,プレートをスロットホルダーに積載するコンタクトリッチホームタスクのシミュレーションにおいて,接触露光操作ポリシーを訓練する。
  論文  参考訳（メタデータ） (2023-01-29T23:57:43Z)

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。