論文の概要: Multimodal Interaction Estimation for Contact-Aware Adaptive Impedance Control
- arxiv url: http://arxiv.org/abs/2610.24235v1
- Date: Fri, 16 Oct 2026 21:00:39 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-20 11:48:29.039165
- Title: Multimodal Interaction Estimation for Contact-Aware Adaptive Impedance Control
- Title（参考訳）: 接触認識型適応インピーダンス制御のためのマルチモーダル相互作用推定
- Abstract要約: 本研究では,人間中心環境におけるロボットのタスク非依存インタラクション推定と適応制御フレームワークを提案する。
変圧器ベースの分類器は91.89%の精度を達成し、90%以上を1つのモードの完全閉塞下で維持する。
我々は、単一アーム操作、模倣学習ベースのポリシーによるデプロイ、意図駆動型ターゲットスイッチング、および未知質量の箱を持ち上げる2つのフランカアーム上のゼロショットバイマニュアル展開を含む、外部の摂動と未知の負荷下でのフレームワークの有効性を検証する。
- 参考スコア（独自算出の注目度）: 14.22106730402768
- License:
- Abstract: With advancements in learning-based policies, robots are increasingly being deployed in human-centric environments, such as manufacturing floors and homes, where safe and precise operation requires compensating for unknown loads while remaining compliant during human interactions. Reliably distinguishing between these interaction types is challenging with a single sensing modality, as force signals cannot separate payloads from human pushes, and vision is susceptible to occlusions. We propose a task-agnostic interaction estimation and adaptive control framework that addresses this challenge by fusing force history and 3D point cloud through a transformer-based classifier. Trained with modality dropout for occlusion resilience and fine-tuned from simulation to hardware, the classifier achieves 91.89% accuracy and maintains above 90% under complete occlusion of one modality. The classifier drives a system identification framework that selectively compensates for unknown payloads and a variable-impedance controller that switches between adaptive and reactive modes, while simultaneously estimating interaction forces for downstream tasks, such as human intent estimation. We validate the framework under external perturbations and unknown loads across single-arm manipulation, deployment with an imitation-learning-based policy, intent-driven target switching, and zero-shot bimanual deployment on two Franka arms lifting a box of unknown mass, demonstrating generalization to closed kinematic chains and unseen setups, enabling safe and precise deployment.
- Abstract（参考訳）: 学習ベースのポリシーの進歩に伴い、ロボットは床や家などの人間中心の環境にますます展開され、安全かつ正確な操作では、人間のインタラクション中にコンプライアンスを維持しながら、未知の負荷を補償する必要がある。
力信号はペイロードを人間のプッシュから切り離すことができず、視覚は隠蔽の影響を受けやすいため、これらの相互作用のタイプを確実に区別することは、単一の知覚モダリティで困難である。
本稿では,この課題に対処するタスク非依存の相互作用推定と適応制御フレームワークを提案する。
密閉型レジリエンスのためのモダリティ・ドロップアウトと、シミュレーションからハードウェアへの微調整の訓練により、分類器は91.89%の精度を達成し、1つのモードの完全閉塞下で90%以上を維持する。
未知のペイロードを選択的に補償するシステム識別フレームワークと、適応モードと反応性モードを切り替える可変インピーダンスコントローラとを駆動し、同時に人間の意図推定のような下流タスクの相互作用力を推定する。
我々は、単一アーム操作における外部の摂動と未知の負荷、模倣学習ベースのポリシーによる展開、意図駆動型ターゲットスイッチング、および未知質量の箱を持ち上げる2つのフランカアーム上のゼロショットバイマニュアル展開の検証を行い、クローズドキネマティックチェーンへの一般化と未確認のセットアップを実証し、安全かつ正確な展開を可能にする。
関連論文リスト
- Tactile Sensing-based Secure and Gentle Grasping of Unknown Objects [3.4750373060886104]
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。
論文 参考訳（メタデータ） (2026-10-08T22:48:24Z) - Plug-and-Play Reweighting for Resilient Collaborative Decision-Making in Connected Autonomous Driving [35.0382657479364]
協力者の知覚的ノイズと 敵対的攻撃は 決定の信頼性に深刻な影響を及ぼす
本稿では,アテンションベースエンコーダとアテンションベースデコーダからなる新しいレジリエント・コラボレーティブ・コラボレーティブ・メイキング・フレームワークを提案する。
このアプローチは既存のメソッドを最大26%上回り、最先端のレジリエントなパフォーマンスを実現しています。
論文 参考訳（メタデータ） (2026-07-10T23:36:31Z) - Reinforcement Learning with Inner-loop Dynamics Estimator for Aerial Manipulation under Uncertainty [0.560928143828791]
本稿では,Reinforcement Learning (RL) と内部ループ力学推定器を組み合わせた階層型制御フレームワークを提案する。
本研究では, 各種ペイロード条件下でのハードウェア実験により, 3DoFマニピュレータを備えたカスタム四極子に対する提案手法の有効性を検証した。
論文 参考訳（メタデータ） (2026-06-15T12:16:01Z) - Autonomous Aerial Manipulation via Contextual Contrastive Meta Reinforcement Learning [16.454878732635738]
無人航空機(UAV)は、ロジスティクス、サービスロボティクス、その他の現実世界の用途にますます配備されている。
既存のアプローチでは、通常、事前に設定されたペイロードを仮定するか、特別なグリップに依存する。
そこで本研究では,軽量フックを備えたクオードロータが連続的にピックアップし,搬送し,多様なハンドル付き物体を届ける,完全自律型空中配送環境を提案する。
論文 参考訳（メタデータ） (2026-06-07T09:26:11Z) - ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation [55.467742403416175]
本稿では,大規模モーションキャプチャをヒューマノイドに変換する物理駆動型ニューラルネットワークを提案する。
我々は高密度参照とスパースタスク仕様の両方をサポートする統合マルチモーダルコントローラを学習する。
その結果,ULTRAは自我中心の知覚から,自律的,目標条件付き全体ロコ操作に一般化することが示された。
論文 参考訳（メタデータ） (2026-03-03T18:59:29Z) - Multi-Modal Manipulation via Multi-Modal Policy Consensus [62.49978559936122]
本稿では,ロボット操作のための多様な感覚モダリティを統合するための新しいアプローチを提案する。
提案手法は,それぞれが単一の表現に特化している拡散モデルの集合にポリシーを分解する。
我々は、RLBenchにおけるシミュレーション操作タスクと、隠蔽対象のピック、手作業のスプーン再配向、パズル挿入といった実世界のタスクについて評価した。
論文 参考訳（メタデータ） (2025-09-27T19:43:04Z) - DexHandDiff: Interaction-aware Diffusion Planning for Adaptive Dexterous Manipulation [78.60543357822957]
高度なロボティクスにとって、接触に富んだ相互作用による有害な操作が不可欠である。
DexHandDiffは,適応的デキスタラス操作のための対話型拡散計画フレームワークである。
当社のフレームワークは, 目標適応度の高いタスクにおいて, 平均70.7%の成功率を実現し, コンタクトリッチな操作における堅牢性と柔軟性を強調した。
論文 参考訳（メタデータ） (2024-11-27T18:03:26Z) - Integrating DeepRL with Robust Low-Level Control in Robotic Manipulators for Non-Repetitive Reaching Tasks [0.24578723416255746]
ロボット工学では、現代の戦略は学習に基づくもので、複雑なブラックボックスの性質と解釈可能性の欠如が特徴である。
本稿では, 深部強化学習(DRL)に基づく衝突のない軌道プランナと, 自動調整型低レベル制御戦略を統合することを提案する。
論文 参考訳（メタデータ） (2024-02-04T15:54:03Z) - Risk-Sensitive Sequential Action Control with Multi-Modal Human
Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。
私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。
シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
論文 参考訳（メタデータ） (2020-09-12T02:02:52Z) - Learning Compliance Adaptation in Contact-Rich Manipulation [81.40695846555955]
本稿では,コンタクトリッチタスクに必要な力プロファイルの予測モデルを学習するための新しいアプローチを提案する。
このアプローチは、双方向Gated Recurrent Units (Bi-GRU) に基づく異常検出と適応力/インピーダンス制御を組み合わせたものである。
論文 参考訳（メタデータ） (2020-05-01T05:23:34Z)
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。