論文の概要: High-resolution tactile observation makes hidden racket-control mechanisms learnable
- arxiv url: http://arxiv.org/abs/2610.35563v1
- Date: Mon, 26 Oct 2026 15:03:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:14.04506
- Title: High-resolution tactile observation makes hidden racket-control mechanisms learnable
- Title（参考訳）: 高分解能触覚観察による隠れラケット制御機構の学習
- Abstract要約: 専門家は、手動操作のスキルを習得するが、迅速な相互作用に対する意識的な認識は、基礎となる制御メカニズムの明瞭化を妨げる。
我々は、歴史からオブジェクト駆動とグリップ安定化制御を推定する2層フレームワークを開発した。
その結果,高い習熟度は広いコントロールよりも選択性に関係していることがわかった。
ランダム化されたコホートでは、メカニズム誘導学習者は、レベルのみのフィードバックで0.72のエキスパート格のスキルレベルを獲得した。
- 参考スコア（独自算出の注目度）: 15.573357664431976
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Experts can master fine hand-object manipulation skills, yet limited conscious perception of rapid tactile interactions hinders their ability to articulate the underlying control mechanisms. Badminton racket control requires rapid, fine hand-force coordination, providing a demanding testbed for uncovering these mechanisms. An 864-node tactile-inertial glove with synchronized 100-Hz acquisition recorded over 14,000 strokes from more than 70 participants across five skills. Inspired by sensorimotor control, our mechanics-grounded two-layer framework inferred object-driving and grip-stabilizing control from tactile history, while resolving their spatiotemporal force realization. We found that higher proficiency was associated with selective rather than extensive control: greater skill specificity, anticipatory regulation, focal distal modulation and lower geometric torque cancellation, while spatiotemporal coordination showed a non-monotonic acquire-refine pattern. We translated these mechanisms into personalized guidance targeting force control and force-motion coordination. In a randomized cohort, mechanism-guided learners gained 0.72 expert-rated skill levels versus 0.05 with level-only feedback, making control mechanisms actionable.
- Abstract（参考訳）: 専門家は、手動操作のスキルを習得できるが、迅速な触覚相互作用に対する意識的な認識は、基礎となる制御メカニズムの明瞭化を妨げる。
バドミントンラケット制御は、迅速かつ細かな手力調整を必要とし、これらの機構を明らかにするために必要なテストベッドを提供する。
864ノードの触覚-慣性グローブと100Hzの同時取得は、5つのスキルで70名以上の参加者から14,000回のストロークを記録した。
センサモレータ制御にインスパイアされたメカニックグラウンドの2層フレームワークは,時空間力の実現を解消しつつ,触覚履歴から物体駆動とグリップ安定化の制御を推定した。
その結果, 高い習熟度は, 高いスキル特異性, 予測規則, 焦点遠位調節, 幾何トルクキャンセリングなど, 広範囲な制御よりも選択性に関連付けられ, 時空間調整では非単調な獲得・縮小パターンが見られた。
我々はこれらのメカニズムを、力制御と力-運動調整を目標としたパーソナライズされたガイダンスに翻訳した。
ランダム化されたコホートでは、メカニズム誘導学習者は、レベルのみのフィードバックで0.72のエキスパート格のスキルレベルを獲得した。
関連論文リスト
- Real-Time Force Regulation for Whole-Hand Dexterous Grasping [56.253219596767075]
本報告では, 接触の動的変化に対するリアルタイム力規制の枠組みについて述べる。
本手法は, 触覚を必要とせず, 全ハンドリンクにまたがる接触を幾何学的に推定する。
我々は,この力調節制御系を反応的リーチと統合し,手の動きを把握し,乱れ下で保持し,物体を失くした後の再生を可能にする。
論文 参考訳（メタデータ） (2026-09-24T16:31:51Z) - A Tendon-Driven Robotic Jellyfish with Constrained Soft Actuation and Depth Control via Reinforcement Learning [8.537324122227462]
柔らかい動きを制限した腱駆動型ロボットクラゲを提示する。
4つのサーボによって駆動される8つのアクチュエーターにより、ロボットは安定した水泳、姿勢調整、自己照準を行うことができる。
その結果, 機械的制約によりソフトアクティベーションの制御性が向上し, 適合したクラゲのような動きが保たれることがわかった。
論文 参考訳（メタデータ） (2026-09-24T07:10:04Z) - TAC-LOCO: Unified Whole-Body Control for Quadrupedal TACtile-Informed LOCO-Manipulation [13.785492911693098]
動的ロコ操作では、不確実な外力下での把握された物体との安定した物理的相互作用を維持しながら、脚のあるロボットが全身の動きを調整する必要がある。
触覚を付加した統合強化学習フレームワークであるTAC-LOCOを提案する。
We deploy the policy zero-shot on a Unitree Go2 with an Interbotix WidowX 250 arm and tactile gripper, showed dynamic tactile-informed loco-manipulation under various external interaction。
論文 参考訳（メタデータ） (2026-07-11T05:45:24Z) - MyoChallenge 2025: A New Benchmark for Human Athletic Intelligence [57.70335388371609]
NeurIPS 2025のMyoChallengeは、スポーツにおけるモーターコントロールインテリジェンスに関する先駆的なベンチマークを確立した。
物理シミュレーションにおける高忠実度筋骨格モデルと機械学習駆動アルゴリズムの組み合わせ
チャレンジには70のチームが参加し、全世界で560以上の応募があった。
論文 参考訳（メタデータ） (2026-05-15T06:09:44Z) - Learning Reactive Dexterous Grasping via Hierarchical Task-Space RL Planning and Joint-Space QP Control [50.28263951510334]
本稿では,リアクティブなデクスタリーグルーピングのためのハイブリッド階層型制御フレームワークを提案する。
提案手法は,低レベル共同実行から高レベル空間意図を明示的に分離する。
我々は厳密なシミュレーションと現実のパイプラインを通して提案したフレームワークを広範囲に検証する。
論文 参考訳（メタデータ） (2026-05-05T04:49:38Z) - SMASH: Mastering Scalable Whole-Body Skills for Humanoid Ping-Pong with Egocentric Vision [53.709632118234936]
Methodnameはアジャイルなヒューマノイドテーブルテニスのためのモジュールシステムである。
これは、スケーラブルな全身スキル学習と、オンボードの自我中心の認識を統一する。
そこで本研究では,オンボードセンシングだけで連続的なストライクを行うことができる最初のヒューマノイドテーブルテニスシステムについて紹介する。
論文 参考訳（メタデータ） (2026-04-01T17:11:52Z) - Safe Whole-Body Loco-Manipulation via Combined Model and Learning-based Control [46.47619556874003]
そこで本研究では,マニピュレータアームのモデルベースアプタンス制御と足歩行の強化学習ポリシを組み合わせた全身制御を提案する。
アクセタンスコントローラは、物理的相互作用中に人間によって適用されるような外部レンチを、望ましいエンドエフェクタ速度にマッピングし、従順な振る舞いを可能にする。
6-DoFアームと手首に装着した6-DoF Force/Torqueセンサーを備えたUnitree Go2四足歩行ロボットを用いて,シミュレーションとハードウェアの両方におけるアプローチを検証する。
論文 参考訳（メタデータ） (2026-03-02T22:31:12Z) - A Soft Wrist with Anisotropic and Selectable Stiffness for Robust Robot Learning in Contact-rich Manipulation [8.659234970380966]
CLAW (Compliant Leaf-spring Anisotropic soft Wrist) は、シンプルだが効果的な設計によって制限に対処する新しいソフト手首機構である。
CLAWは大きな6自由度変形(40mm横、20mm垂直)を提供し、3つの異なるモードで調整可能な異方性剛性を備え、軽量な構造を維持している。
論文 参考訳（メタデータ） (2026-02-16T03:45:04Z) - 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。