論文の概要: SimTO-Robust: Automated Design of Soft Grippers Robust to Grasp Pose and Object Geometry

• arxiv url: http://arxiv.org/abs/2610.39560v1
• Date: Thu, 29 Oct 2026 08:00:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 23:26:44.237954
• Title: SimTO-Robust: Automated Design of Soft Grippers Robust to Grasp Pose and Object Geometry
• Title（参考訳）: SimTO-Robust:Grasp Pose と Object Geometry にロバストなソフトグリッパーの自動設計
• Abstract要約: シミュレーション駆動トポロジー最適化(SimTO)の一般化であるSimto-Robustを紹介する。 SimTOは、複数の物体にまたがるグリップをシミュレートし、接触力を使ってグリップ形状の最適化を導く。 デザインは、特殊設計のSimTOや堅固なベースラインよりも確実にピック・アンド・プレイスを完備する。
• 参考スコア（独自算出の注目度）: 1.9414281053914586
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robotic grippers operating in unstructured environments must robustly grasp objects of different shapes and sizes despite perception and positioning errors. Soft grippers that can achieve this robustness through intelligent mechanical design rather than sophisticated control software offer a promising solution. However, no existing computational design framework explicitly optimises soft gripper morphology for robustness across object geometries and grasp poses. We introduce SimTO-Robust, a generalisation of simulation-driven topology optimisation (SimTO) that simulates grasps across multiple objects and poses and aggregates their contact forces to guide gripper morphology optimisation. We generate 6,646 designs and physically evaluate 24 of them alongside 10 specialised SimTO designs, two rigid baseline grippers, and a baseline generalist soft gripper produced using conventional topology optimisation. All 37 grippers are tested in a pick-and-place task involving five feature-rich objects and six grasp poses, with external disturbances of increasing magnitude applied during the task. On average, SimTO-Robust designs complete pick-and-place more reliably than specialised SimTO designs and the rigid baselines. The best SimTO-Robust designs also withstood more of the applied disturbances than any other tested gripper. These results show that incorporating diverse grasp conditions into simulation-driven topology optimisation is a simple and effective approach to improving real-world soft gripper robustness. More broadly, they show that robust robotic grasping can be achieved through intelligent mechanical design rather than sophisticated sensing and control.
• Abstract（参考訳）: 非構造環境で動作しているロボットグリップは、知覚や位置決め誤差にもかかわらず、異なる形状や大きさの物体をしっかりと把握しなければならない。 高度な制御ソフトウェアではなく、インテリジェントな機械設計によって、この堅牢性を達成できるソフトグリップは、有望なソリューションを提供する。 しかしながら、既存の計算設計フレームワークでは、オブジェクトのジオメトリとグリップポーズ間の堅牢性に対して、ソフトグリップ形態を明示的に最適化していない。 シミュレーション駆動型トポロジー最適化(SimTO)の一般化であるSimto-Robustを導入する。 我々は6,646の設計を作成し,その内24点を特殊設計のSimTO設計,2つの剛性ベースライングリップ,および従来のトポロジ最適化を用いたベースラインジェネラリストソフトグリップとともに物理的に評価した。 全ての37個のグリップは、5つの機能豊富なオブジェクトと6つのグリップポーズを含むピック・アンド・プレイス・タスクでテストされる。 平均して、Simto-Robustの設計は、特別なSimTOの設計と厳格なベースラインよりも確実にピック・アンド・プレイスを完備した。 最高のSimto-Robustの設計は、他のテストされたグリップよりも多くの障害を回避した。 これらの結果から,多様な把握条件をシミュレーション駆動型トポロジ最適化に組み込むことは,現実のソフトグリップの堅牢性を改善するための単純かつ効果的なアプローチであることが示唆された。 より広義には、高度なセンシングや制御ではなく、インテリジェントな機械設計によって、堅牢なロボットの把握が達成できることが示される。

関連論文リスト

• Simulation-Driven Evolutionary Motion Parameterization for Contact-Rich Granular Scooping with a Soft Conical Robotic Hand [14.911239660367926]
  ツールベースのスクーピングは、さまざまな大きさ、形状、物質状態の物体との相互作用を可能にするロボット支援タスクにおいて不可欠である。 近年の研究では、柔軟で再構成可能なソフトロボットのエンドエフェクターが、スクーピング中に一貫した接触を維持するために形状に適応できることが示されている。 これらのソフトツールは、複雑な感知や制御を必要とせずに、様々な容器の大きさや材料に調整することができる。 本稿では,変形可能な円錐型ロボットハンドの物理シミュレーションモデルの開発について述べる。
  論文  参考訳（メタデータ） (2026-04-07T07:30:21Z)
• Generalized Task-Driven Design of Soft Robots via Reduced-Order FEM-based Surrogate Modeling [8.36237361666539]
  本稿では,タスク駆動型ソフトロボット設計のための一元化有限要素法(FEM)に基づく代理モデリングパイプラインを提案する。 高忠実FEMシミュレーションは、コンパクトなサロゲート継手モデルを構築するモジュラーレベルでのアクチュエータの挙動を特徴付ける。 メタモデルがアクチュエータ設計パラメータを代理表現にマップし、パラメータ化アクチュエータファミリ間の迅速なインスタンス化を可能にする。
  論文  参考訳（メタデータ） (2026-03-20T09:33:09Z)
• D-REX: Differentiable Real-to-Sim-to-Real Engine for Learning Dexterous Grasping [66.22412592525369]
  本稿では,ガウスのSplat表現を生かした実--sim-to-realエンジンを導入し,実-sim-to-realエンジンについて述べる。 提案エンジンは, 各種物体の形状と質量値のマス識別において, 高精度かつロバストな性能を実現していることを示す。 これらの最適化された質量値は、力覚的なポリシー学習を促進し、オブジェクトの把握において優れた、高いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-03-01T15:32:04Z)
• SimTO: A simulation-based topology optimization framework for bespoke soft robotic grippers [1.6914373630026536]
  我々は,接触型物理シミュレータから負荷ケースを自動的に抽出することで,高分解能トポロジ最適化を実現するフレームワークであるSimTOを紹介する。 私たちのデザインは、機能豊富なオブジェクトに高度に特化されているだけでなく、目に見えないオブジェクトにも一般化されていることを示す。
  論文  参考訳（メタデータ） (2026-01-27T02:01:16Z)
• SORS: A Modular, High-Fidelity Simulator for Soft Robots [5.660024841218955]
  ソフトロボットは、大きな非線形変形、材料非圧縮性、接触相互作用のために、ユニークなモデリング課題を提起する。 ソフトロボット応用のための多用途高忠実度シミュレータSORSを提案する。
  論文  参考訳（メタデータ） (2025-12-17T21:58:46Z)
• URDF-Anything: Constructing Articulated Objects with 3D Multimodal Language Model [76.08429266631823]
  3次元マルチモーダル大言語モデル(MLLM)に基づくエンドツーエンドの自動再構築フレームワークを提案する。 URDF-Anythingは、ポイントクラウドとテキストマルチモーダル入力に基づく自己回帰予測フレームワークを使用して、幾何学的セグメンテーションと運動論的パラメータ予測を協調的に最適化する。 シミュレーションと実世界の両方のデータセットの実験は、我々の手法が既存の手法よりも大幅に優れていることを示した。
  論文  参考訳（メタデータ） (2025-11-02T13:45:51Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• DrEureka: Language Model Guided Sim-To-Real Transfer [64.14314476811806]
  シミュレーションで学んだ政策を現実世界に伝達することは、ロボットのスキルを大規模に獲得する上で有望な戦略である。 本稿では,Large Language Models (LLMs) を用いてシム・トゥ・リアル設計の自動化と高速化を行う。 本手法では,ヨガボールの上を歩行する四足歩行や四足歩行など,新しいロボットタスクを解くことができる。
  論文  参考訳（メタデータ） (2024-06-04T04:53:05Z)
• Physical Design using Differentiable Learned Simulators [9.380022457753938]
  逆設計では、学習したフォワードシミュレータは勾配に基づく設計最適化と組み合わせられる。 この枠組みは数百歩の軌跡を伝播することで高品質な設計を行う。 この結果から,機械学習をベースとしたシミュレータは,いくつかの課題があるにもかかわらず,汎用設計の最適化をサポートできる段階まで成熟していることが示唆された。
  論文  参考訳（メタデータ） (2022-02-01T19:56:39Z)
• 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)

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。