論文の概要: Proprioceptive Finger Force Estimation for Reliable Box Manipulation

• arxiv url: http://arxiv.org/abs/2610.38351v1
• Date: Wed, 28 Oct 2026 06:50:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 18:08:32.171207
• Title: Proprioceptive Finger Force Estimation for Reliable Box Manipulation
• Title（参考訳）: 信頼性ボックスマニピュレーションのための受動的指力推定法
• Abstract要約: 本稿では,前立腺受容組織から指先外力の大きさを推定する不確実性を考慮した残差法を提案する。 0-20Nにまたがる10本の指と接触力で平均RMSEの0.251Nを実現し,仮想バネに対する誤差を92.8%削減した。 ボックスピック・アンド・プレイスでは、フォース適応はタスクの成功を10/10で維持し、損傷のない結果と信頼性を7/10から10/10に向上させる。
• 参考スコア（独自算出の注目度）: 12.89725908557253
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable box manipulation requires successful placement without damage, which depends on maintaining sufficient contact force without excessive loading. We hypothesize that per-finger force feedback improves manipulation reliability relative to open-loop finger commands. To this end, we present Finger External-Force Estimation from Proprioceptive SignaLs (FEEL), an uncertainty-aware residual method that estimates per-finger external force magnitude from proprioceptive histories. Our method combines a calibrated virtual-spring estimate with a residual distribution predicted by a Mixture Density Network (MDN) and requires no dedicated contact sensors during deployment. The estimated force is used for continuous per-finger adaptation, while predictive uncertainty is evaluated as an empirical signal of ambiguity in proprioceptive force estimation. Across ten fingers and contact forces spanning 0-20 N, our method achieves a mean RMSE of 0.251 N, reducing the error by 92.8% relative to the virtual spring and by 9.4% relative to an end-to-end MDN. In box pick-and-place, force adaptation maintains task success at 10/10 and increases both damage-free outcomes and reliability from 7/10 to 10/10. The project page is available at https://finger-force-estimation.pages.dev/
• Abstract（参考訳）: 信頼性の高いボックス操作は損傷のない配置を成功させる必要があり、過度の負荷を伴わずに十分な接触力を維持する必要がある。 指ごとの力フィードバックはオープンループ指の指示に対する操作の信頼性を向上させると仮定する。 この目的のために, プロプライオセプティブ・シグナール(FEEL)を用いた指外力推定法を提案する。 本手法は,Mixture Density Network (MDN) によって予測される残差分布と,キャリブレーションされた仮想スプリング推定値を組み合わせることで,展開中に専用の接触センサを必要としない。 推定力は指ごとの連続的な適応に使用され、予測の不確実性は、受容力推定における曖昧性の実証的な信号として評価される。 0-20Nにまたがる10本の指と接触力で平均RMSEの0.251Nを実現し,仮想バネに対して92.8%,エンドツーエンドMDNに対して9.4%の誤差を低減した。 ボックスピック・アンド・プレイスでは、フォース適応はタスクの成功を10/10で維持し、損傷のない結果と信頼性を7/10から10/10に向上させる。 プロジェクトページはhttps://finger-force-estimation.pages.dev/で公開されている。

関連論文リスト

• Reliable Piezoresistive Strain Sensing Through Physical Limits and Uncertainty Monitoring [0.0]
  本稿では,物理誘導入力特徴に基づく物理インフォームド確率逆モデルと3状態モニタを組み合わせた信頼性フレームワークを提案する。 ニチノール線とガウシアンプロセスによる銀被覆ポリアミド糸の試験では適合点が0.90-0.95(RMSE 0.26%-0.15%)、95%ターゲットに対して96%の試験的カバレッジを示した。
  論文  参考訳（メタデータ） (2026-08-16T15:06:13Z)
• Robustness Meets Uncertainty: Evidential Adversarial Training for Robust Selective Classification [26.819297652576967]
  敵対的トレーニングは、ディープニューラルネットワークの堅牢性を改善するために広く採用されている防御である。 堅牢性-不確実性トレードオフのための統一されたベンチマークを導入する。 Evidential Adversarial Training (EV-AT) は、ディリクレ分布を介して不確実性をモデル化し、(i) 証拠に基づく損失を、(ii) 確実な証拠調整損失と、(ii) 確実な証拠調整損失を、クリーンかつ敵対的な予測と組み合わせてモデル化する。
  論文  参考訳（メタデータ） (2026-07-03T08:10:21Z)
• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
  マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。 両課題に対処する統合フレームワークであるBadCLIP++を提案する。 ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。 持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
  論文  参考訳（メタデータ） (2026-02-19T08:31:16Z)
• A Trustworthy Method for Multimodal Emotion Recognition [5.249683572771824]
  信頼感情認識(TER)と呼ばれる新しい感情認識手法を提案する。 TERは、信頼度値に基づいて複数のモダリティの結果を組み合わせて、信頼された予測を出力する。 TERは、ミュージックビデオで最先端のパフォーマンスを達成し、82.40%のAccを達成した。
  論文  参考訳（メタデータ） (2025-08-11T05:08:31Z)
• TouchInsight: Uncertainty-aware Rapid Touch and Text Input for Mixed Reality from Egocentric Vision [25.271209425555906]
  任意の物理的表面上の10本の指すべてからタッチ入力を検出するリアルタイムパイプラインを提案する。 筆者らのTouchInsightは,タッチイベントの瞬間,指の接触,タッチ位置を予測するニューラルネットワークを備える。
  論文  参考訳（メタデータ） (2024-10-08T11:42:44Z)
• Density Uncertainty Layers for Reliable Uncertainty Estimation [20.867449366086237]
  ディープニューラルネットワークの予測不確実性を評価することは、ディープラーニングの安全性関連の応用に不可欠である。 本稿では,モデルが入力の経験的密度に基づいて予測分散を行う必要があるという,信頼性のある予測不確実性のための新しい基準を提案する。 既存の手法と比較すると、密度不確実性層はより信頼性の高い不確実性推定とロバストなアウト・オブ・ディストリビューション検出性能を提供する。
  論文  参考訳（メタデータ） (2023-06-21T18:12:58Z)
• Reliable Federated Disentangling Network for Non-IID Domain Feature [62.73267904147804]
  本稿では、RFedDisと呼ばれる新しい信頼性のあるフェデレーション・ディエンタングリング・ネットワークを提案する。 我々の知る限り、提案するRFedDisは、明らかな不確実性と特徴の混在に基づくFLアプローチを開発する最初の試みである。 提案するRFedDisは,他の最先端FL手法と比較して信頼性の高い優れた性能を提供する。
  論文  参考訳（メタデータ） (2023-01-30T11:46:34Z)
• Adversarial Robustness on In- and Out-Distribution Improves Explainability [109.68938066821246]
  RATIOは、Adversarial Training on In- and Out-distriionを通じて、堅牢性のためのトレーニング手順である。 RATIOはCIFAR10で最先端の$l$-adrialを実現し、よりクリーンな精度を維持している。
  論文  参考訳（メタデータ） (2020-03-20T18:57:52Z)

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。