論文の概要: Nonprehensile Robotic Catching Using Virtual Constraints

• arxiv url: http://arxiv.org/abs/2610.35851v1
• Date: Mon, 26 Oct 2026 17:57:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.138143
• Title: Nonprehensile Robotic Catching Using Virtual Constraints
• Title（参考訳）: 仮想制約を用いた非包括的ロボットキャッチ
• Abstract要約: 仮想非ホロノミック制約(VNHC)を用いた非包括的ロボット捕獲 現代のアプローチとは対照的に,本手法は対象軌道予測の必要性を回避している。 我々のVNHCアプローチは、接触瞬間の相対的正常速度を最小限に抑えながら、所望の高さでエンドエフェクター上の物体をキャッチできることを示す。
• 参考スコア（独自算出の注目度）: 14.484745002483258
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The problem of nonprehensile robotic catching is addressed using virtual nonholonomic constraints (VNHCs); the motion of the robot end-effector is designed and controlled directly in terms of the states of the object before it is caught on the surface of the end-effector. In contrast to contemporary approaches, our approach avoids the need for object trajectory prediction, and consequent time-varying robot trajectory generation. With a focus on the planar case, we demonstrate that our VNHC approach can be used to catch an object on an end-effector at a desired height, with minimal relative normal velocity at the contact instant. Moreover, the VNHC function depends only on the desired catching height, and the same VNHC can be used for a range of initial conditions. We use model predictive control (MPC) to bring the object and end-effector to rest at a desired location after contact is made. The approach is validated in simulation.
• Abstract（参考訳）: 非包括的ロボット捕獲の問題は、仮想非ホロノミック制約(VNHC)を用いて対処され、ロボットのエンドエフェクターの動作は、エンドエフェクターの表面で捕捉される前に、オブジェクトの状態の観点から直接設計・制御される。 現代のアプローチとは対照的に,本手法は物体軌道予測や時間変化ロボット軌道生成の必要性を回避している。 平面の場合に着目して、我々のVNHCアプローチは、所望の高さで、接触瞬間の相対正規速度を最小限に抑えて、エンドエフェクター上の物体をキャッチできることを示す。 さらに、VNHC関数は所望の捕集高さにのみ依存し、同じVNHCを様々な初期条件で使用することができる。 我々は、モデル予測制御(MPC)を用いて、接触後、オブジェクトとエンドエフェクタを所望の場所に留まらせる。 この手法はシミュレーションで検証されている。

関連論文リスト

• Physics-Aware Object-Centric SE(3) Forecasting for Real-Time Proactive Dynamic Grasping [30.391926944563775]
  アクティブな動的把握には、現在観察されている物体のポーズに反応するのではなく、物理的な接触が起こる将来の状態をロボットが予測する必要がある。 我々は,SE(3)における接触関連剛体状態は,この問題に対するコンパクトなタスク十分抽象化であると主張している。 この洞察は、短いポーズ履歴から将来の剛体軌道を予測する軽量なオブジェクト中心予測-then-selectフレームワークに導かれる。
  論文  参考訳（メタデータ） (2026-10-13T07:05:03Z)
• Non-Prehensile Throwing: A Reinforcement Learning Perspective [4.519185019401122]
  非包括的(グラフフリー)な投球は、大きく、重く、そして/または変形可能なオブジェクトに適している。 既存のアプローチは、単純化された接触モデルによるモデルベースの最適化に依存している。 共同空間軌跡を直接最適化する強化学習手法を提案する。 提案手法では,重量 (790 g) や大型 (20x20x28 cm) などの多種多様な物体を350cm,180cmの目標に投棄し,実世界の成功率は97%に達した。
  論文  参考訳（メタデータ） (2026-09-01T06:00:33Z)
• Predictive Relative-Velocity Steering for Safe Robotic Manipulator Teleoperation in Dynamic Environments [7.297209090323272]
  本稿では,衝突回避のための軽量でモジュラーなフレームワークを提案する。 このフレームワークはまず、オーバーシュート保護を統合した時間対衝突に基づく潜在的な衝突を予測する。 偏向はその大きさを保ちながら相対速度の方向だけを変える。
  論文  参考訳（メタデータ） (2026-08-13T14:17:12Z)
• A Task-Space Receding Horizon Controller for Fast Collision Avoidance [0.08594140167290099]
  ロボットマニピュレータのリアルタイム衝突回避には、予期せぬ障害物運動に対する迅速な反応が必要である。 完全なモデル予測制御は、この展望を提供することができるが、オンラインコストは、水平線長、モデル忠実度、アクティブな幾何学的制約の数とともに急速に増大する可能性がある。 本稿では, 短時間の接触一貫性を持つロールアウトを用いて, 終端キネマティック参照を生成するタスクスペースリテーディング・ホライゾンコントローラを提案する。
  論文  参考訳（メタデータ） (2026-07-17T08:13:12Z)
• HAIC: Humanoid Agile Object Interaction Control via Dynamics-Aware World Model [56.4392302336014]
  本稿では,外部状態推定を伴わない多種多様なオブジェクトダイナミクス間のロバストな相互作用のためのフレームワークであるHAICを提案する。 我々の重要な貢献は、主観的歴史のみから高次対象状態(速度、加速度)を推定するダイナミクス予測器である。 ヒューマノイドロボットの実験では、HAICはアジャイルタスクで高い成功率を達成する。
  論文  参考訳（メタデータ） (2026-02-12T09:34:35Z)
• Articulated Object Manipulation using Online Axis Estimation with SAM2-Based Tracking [57.942404069484134]
  アーティキュレートされたオブジェクト操作は、オブジェクトの軸を慎重に考慮する必要がある、正確なオブジェクトインタラクションを必要とする。 従来の研究では、対話的な知覚を用いて関節のある物体を操作するが、通常、オープンループのアプローチは相互作用のダイナミクスを見渡すことに悩まされる。 本稿では,対話的知覚と3次元点雲からのオンライン軸推定を統合したクローズドループパイプラインを提案する。
  論文  参考訳（メタデータ） (2024-09-24T17:59:56Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)

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。