論文の概要: FORCA: A Force-Aware Coding Agent for Contact-Rich Robot Manipulation
- arxiv url: http://arxiv.org/abs/2610.31841v1
- Date: Thu, 22 Oct 2026 19:24:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 01:38:06.273875
- Title: FORCA: A Force-Aware Coding Agent for Contact-Rich Robot Manipulation
- Title(参考訳): FORCA:コンタクトリッチロボットマニピュレーションのためのフォース対応コーディングエージェント
- Abstract要約: FORCAは、視覚的観察と手首力/フィードバック(F/T)の測定を入力として、接触探索と力応答運動のためのPythonプログラムを書くためのコーディングエージェントである。
操作精度の向上,物体や表面特性の変化への適応,表面の変動や物体の動きによる接触の制御の3つの形態で有効性を示す。
- 参考スコア(独自算出の注目度): 9.198782777753292
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Coding agents can translate language instructions into robot programs. For contact-rich manipulation, a key challenge is to generate and refine control logic that responds to physical interaction. We present FORCA, a coding agent that takes visual observations and wrist force/torque (F/T) measurements as input to write Python programs for contact probing and force-responsive motion. Between executions, the agent inspects force records alongside visual outcomes to diagnose failures and revise both motion and force-feedback control logic. FORCA requires no demonstrations, task-specific training, or simulation. Across five real-robot tasks, we demonstrate its effectiveness in three forms of contact-rich manipulation: improving manipulation accuracy, adapting to changes in object or surface properties, and regulating contact under surface variation and object motion. Compared with a vision-only variant of the same agent, FORCA improves grasp accuracy and task success and reduces contact loss in wiping and peeling.
- Abstract(参考訳): コーディングエージェントは、言語命令をロボットプログラムに変換することができる。
コンタクトリッチな操作では、物理相互作用に対応する制御ロジックの生成と洗練が重要な課題である。
本稿では,視覚的観察と手首力/トルク(F/T)の測定を入力として用いて,接触探索と力応答動作のためのPythonプログラムを記述するコーディングエージェントFOCAを提案する。
実行の間、エージェントは、視覚的な結果と共にフォースレコードを検査し、障害を診断し、モーションとフォースフィードバックの両方の制御ロジックを改訂する。
FORCAは、デモンストレーション、タスク固有のトレーニング、シミュレーションを必要としない。
5つの実ロボットタスクにまたがって,操作精度の向上,物体や表面特性の変化への適応,表面の変動や物体の動きによる接触の制御という,3種類の接触リッチな操作の有効性を示す。
同じエージェントの視覚のみの変種と比較して、FOCAは把握精度とタスク成功を改善し、ワイピングや剥離における接触損失を低減する。
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) - Beyond the End-Effector: Learning Whole-Arm Contact Manipulation from Human Demonstrations [4.309625470095576]
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。
論文 参考訳(メタデータ) (2026-10-13T06:29:38Z) - Fly-by-Code: Embodied Coding Agents for Aerial Manipulation with Active Visual and Physical Feedback [63.75302732504381]
エンボディードコーディングエージェントは、プログラムを生成し、実行フィードバックからそれらを精製することで、ロボットポリシーを構築する。
この改善は、実行フィードバックがタスクが成功したかどうかを明らかにし、失敗した後、プログラムのリビジョンをガイドするのに十分な証拠を提供すると仮定する。
同じフィードバックを再検査しても、収集されていない観察や、利用可能な証拠が区別できない原因を分離することはできません。
アクティブな"View and Probe"フレームワークであるActive Feedback(AF)を紹介します。
論文 参考訳(メタデータ) (2026-10-08T18:00:00Z) - HACo: Learning Haptic Active Compliance for Force-Aware Dexterous Manipulation [12.372274717502513]
本稿では,ハプティック・アクティブ・コンプライアンス・ポリシーであるHACoを紹介する。
我々は,多接触摩擦,接種相互作用,脆性曲面接触,回転トルク,変形性物体操作を含む実世界のベンチマークでHACoを評価した。
論文 参考訳(メタデータ) (2026-09-29T03:17:04Z) - 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) - Offline Imitation Learning Through Graph Search and Retrieval [57.57306578140857]
模倣学習は、ロボットが操作スキルを取得するための強力な機械学習アルゴリズムである。
本稿では,グラフ検索と検索により,最適下実験から学習する,シンプルで効果的なアルゴリズムGSRを提案する。
GSRは、ベースラインに比べて10%から30%高い成功率、30%以上の熟練を達成できる。
論文 参考訳(メタデータ) (2024-07-22T06:12:21Z) - 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) - COCOI: Contact-aware Online Context Inference for Generalizable
Non-planar Pushing [87.7257446869134]
一般的なコンタクトリッチな操作問題は、ロボット工学における長年の課題である。
深層強化学習は、ロボット操作タスクの解決に大きな可能性を示している。
動的プロパティのコンテキスト埋め込みをオンラインにエンコードする深層RL法であるCOCOIを提案する。
論文 参考訳(メタデータ) (2020-11-23T08:20:21Z) - 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。