Fugu-MT 論文翻訳(概要): Geometry-Aware Reinforcement Learning for Close-Fitting Wearable Insertion

論文の概要: Geometry-Aware Reinforcement Learning for Close-Fitting Wearable Insertion

arxiv url: http://arxiv.org/abs/2610.32143v1
Date: Fri, 23 Oct 2026 04:17:15 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-27 01:38:06.342287
Title: Geometry-Aware Reinforcement Learning for Close-Fitting Wearable Insertion
Title（参考訳）: 身近なウェアラブルインサーションのための幾何認識強化学習
Abstract要約: 我々は,身体部分と物体の開口部との間のタスク関連空間関係を表す幾何学的挿入問題として,ドレッシングを定式化する。本稿では,段階的なカリキュラムを組み合わせた強化学習フレームワークを提案する。本研究では, コンポーネントの短縮, 初期ポーズの体系的変化, 実ロボットシステム上での学習方針のクローズループ実行を通じて, 剛性と変形性のあるブレスレットドレッシング作業の枠組みを評価する。
参考スコア（独自算出の注目度）: 15.566055657972248
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Robot-assisted dressing is particularly challenging due to narrow openings and articulated body parts. Even small errors in the relative pose between the body part and garment opening can cause snagging, missed insertion, or incomplete dressing. To address these challenges, we formulate dressing as a geometry-aware insertion problem that represents task-relevant spatial relationships between the body part and object opening, rather than relying on the full deformable-object state. Based on this formulation, we propose a Reinforcement Learning (RL) framework combining a staged curriculum, which progressively guides the policy from coarse alignment to insertion and final placement, with a finger-wise insertion soft gate that provides continuous feedback on individual finger insertion progress and helps suppress premature insertion. We evaluate the framework on rigid and deformable bracelet dressing tasks through component ablations, systematic variations in the initial hand pose, and closed-loop execution of the learned policies on a real robotic system. On the post-training deformable evaluation, the full method reaches 84.7 +- 1.2% success. The insertion gate accounts for the largest gain, and adding the curriculum on top of that gate reaches the top score. On a mannequin hand the same full policy succeeds on 15/20 real-robot trials.
Abstract（参考訳）: ロボット支援ドレッシングは、狭い開口部と関節のついた身体部分のために特に困難である。身体部分と衣服の開口部の相対的なポーズの小さな誤りでさえ、スナッグ、挿入ミス、あるいは不完全なドレッシングを引き起こす可能性がある。これらの課題に対処するため,本論文では,全変形オブジェクト状態に頼るのではなく,身体部分と物体開口のタスク関連空間関係を表す幾何学的挿入問題として,ドレッシングを定式化する。この定式化に基づき, 段階的なカリキュラムを組み込んだ強化学習(RL)フレームワークを提案する。これは, 粗いアライメントから挿入, 最終配置までの政策を段階的にガイドし, 個々の指挿入の進行を連続的にフィードバックし, 早期挿入の抑制を支援する指回りの挿入ソフトゲートを備える。本研究では, コンポーネントの短縮, 初期ポーズの体系的変化, 実ロボットシステム上での学習方針のクローズループ実行を通じて, 剛性と変形性のあるブレスレットドレッシング作業の枠組みを評価する。訓練後の変形性評価では、フルメソッドが84.7 +- 1.2%の成功に達する。挿入ゲートは最大のゲインを占め、そのゲートの上にカリキュラムを追加すると最高点に達する。マネキンは15/20のロボット実験でも同じ方針をとっています。

関連論文リスト

EgoExplorer: A Vision-Motion-Touch Observatory for Human Loco-Manipulation In Situ [67.89251850608498]
EgoExplorerは、ウェアラブルシステムで構築された人間のロボ操作の100時間の視覚モーションタッチ観測所である。プロの活動に重点を置いて、その連続的な録音は、エゴセントリックなビデオと、再構築された全身の動きとを一致させる。我々は,このカバーをスパースボディセンシングで実現するために,Calibrate-Complete-Constrainパイプラインを開発した。
論文参考訳（メタデータ） (2026-10-13T17:59:55Z)
PHASE: Compliance-Enabled Tactile Phase Retrieval for Few-Shot Insertion Learning [23.70657126551991]
ペグ・イン・ホール挿入のようなコンタクト豊富な組立タスクは、限られたデモンストレーションから学ぶのは難しいままである。本稿では,コンプライアンスを意識した触覚位相検索フレームワークPHASE(PHASE-Aware and Retrieval)を提案する。我々は,5つのペグ・ジオメトリーにまたがる実世界のペグ・イン・ホール挿入におけるPHASEを評価し,最先端の手法から引き出された検索戦略と比較した。
論文参考訳（メタデータ） (2026-09-25T06:53:56Z)
InsertAnything: Generalizable Contact-Rich Precision Insertion from Simulation to Reality [5.694253916127773]
直接配置のシミュレーションで完全に挿入ポリシーを訓練する強化学習フレームワークを提案する。シミュレーションされた六角形挿入タスクでのみ訓練された単一のポリシーは、全体的な成功率は95.0%に達した。これらの結果は,シミュレーションで完全に学習することで,実世界のタスクを直接展開し再利用できる精度の挿入スキルが得られることを示している。
論文参考訳（メタデータ） (2026-09-21T12:51:29Z)
SECOND-Grasp: Semantic Contact-guided Dexterous Grasping [60.1519218638742]
Second-Grasp (Semantic Contact-guided Dexterous Grasping) は、ロボットハンドが意味論的推論に基づいて把握戦略を調整できる統合されたフレームワークである。我々のアプローチは、目に見えるカテゴリーと目に見えないカテゴリの両方で成功率を上げるために、一貫してベースラインを上回ります。
論文参考訳（メタデータ） (2026-05-13T07:37:00Z)
From Reach to Insert: Tactile-Augmented Precision Assembly under Sub-Millimeter Tolerances [5.3977645077404794]
高精度なアセンブリは、しばしば厳密な耐久挿入を伴い、わずかなポーズエラーでさえジャミングや過剰な相互作用の力を引き起こす。本稿では,Imitation Learning (IL) とReinforcement Learning (RL) を組み合わせた触覚増強2段階の手法を提案する。
論文参考訳（メタデータ） (2026-05-06T08:56:20Z)
Touch2Insert: Zero-Shot Peg Insertion by Touching Intersections of Peg and Hole [15.791523980428538]
任意のペグ挿入のための触覚ベースのフレームワークであるemphTouch2Insertを提案する。本手法は,高解像度触覚画像から断面形状を再構成し,孔の相対的なポーズを0ショットで推定する。結果,Touch2Insertはシミュレーションにおいてすべてのコネクタのサブミリポーズ推定精度を達成し,実ロボットの平均成功率は86.7%に達した。
論文参考訳（メタデータ） (2026-03-04T01:35:33Z)
Learning to Align and Refine: A Foundation-to-Diffusion Framework for Occlusion-Robust Two-Hand Reconstruction [50.952228546326516]
単眼画像からの両手再建は、複雑でダイナミックな手の位置が原因で、永続的な課題に直面している。既存のアプローチはそのようなアライメントの問題に悩まされ、しばしば不整合と侵入の成果物をもたらす。本稿では,視覚基礎モデルからの2次元事前ガイダンスを正確に整合させる2段階のファンデーション・ツー・ディフュージョンフレームワークを提案する。
論文参考訳（メタデータ） (2025-03-22T14:42:27Z)
Zero-Shot Peg Insertion: Identifying Mating Holes and Estimating SE(2) Poses with Vision-Language Models [12.622746842474726]
視覚言語モデル(VLM)を用いた新しいゼロショットペグ挿入フレームワークを提案する。提案手法は90.2%の精度を達成し, 従来未確認のペグホールペアの広い範囲にわたる適切な交尾孔の同定において, 基線を著しく上回っている。これらの結果は、堅牢で一般化可能なロボット組み立てを可能にするために、VLM駆動のゼロショット推論の可能性を強調している。
論文参考訳（メタデータ） (2025-03-08T02:59:21Z)
Adversarial Motion Modelling helps Semi-supervised Hand Pose Estimation [116.07661813869196]
そこで本稿では,非ラベルビデオに対人トレーニングとモーションモデリングのアイデアを組み合わせることを提案する。本研究は,非ラベル映像系列の半教師あり学習により,逆方向が手ポーズ推定器の特性の向上につながることを示す。このアプローチの主な利点は、ペアのトレーニングデータよりもはるかに容易に、未ペアのビデオとジョイントシーケンスデータを利用することができることです。
論文参考訳（メタデータ） (2021-06-10T17:50:19Z)
Bridging the Imitation Gap by Adaptive Insubordination [88.35564081175642]
教官が特権情報にアクセスして意思決定を行う場合、この情報は模倣学習中に疎外されることを示す。本稿では,このギャップに対処するため,適応的不規則化(ADVISOR)を提案する。 ADVISORは、トレーニング中の模倣と報酬に基づく強化学習損失を動的に重み付け、模倣と探索をオンザフライで切り替えることを可能にする。
論文参考訳（メタデータ） (2020-07-23T17:59:57Z)

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。