論文の概要: A Tutorial on Shape Servoing of Deformable Objects-Part I: Fundamentals

• arxiv url: http://arxiv.org/abs/2610.40559v1
• Date: Thu, 29 Oct 2026 17:40:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 06:43:45.191996
• Title: A Tutorial on Shape Servoing of Deformable Objects-Part I: Fundamentals
• Title（参考訳）: 変形性物体の形状サーボに関する研究-その1:基礎
• Abstract要約: ロボット工学において、形状制御(英: shape control)または形状サーボ(英: shape servoing)とは、変形可能な物体を自動的に操作して所望の形状を達成することを指す。 この記事では、データ駆動型Jacobianベースの変形可能なオブジェクトの形状制御に関する2部構成のチュートリアルの第一弾となる。
• 参考スコア（独自算出の注目度）: 7.049853244203611
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In robotics, shape control (or shape servoing) refers to the automatic manipulation of a deformable object to achieve a desired shape. It involves a feedback loop that exploits the relation between robot motion and changes in the measured shape. This relation, known as the interaction Jacobian or, in this context, the deformation Jacobian, depends on the object's mechanical properties, geometry, and boundary conditions (e.g., where the object is grasped). Because these factors are often difficult to model accurately, the deformation Jacobian can be estimated locally from observed shape changes produced by commanded robot motions, without requiring a fine-tuned mechanical model. This article is the first of a two-part tutorial on data-driven Jacobian-based shape control of deformable objects. It introduces the central elements of the approach: the formulation of the shape-control problem, shape representation, estimation and online update of the deformation Jacobian, and a standard control law from the literature. It then assembles these elements into a complete shape-servoing loop, derives a local stability condition for this loop, and illustrates why some target shapes cannot be reached. Part II covers more advanced topics. Throughout both parts, a simulated planar example in which two robot arms manipulate an elastic rod observed by a camera illustrates the concepts.
• Abstract（参考訳）: ロボット工学において、形状制御(英: shape control)または形状サーボ(英: shape servoing)とは、変形可能な物体を自動的に操作して所望の形状を達成することを指す。 ロボットの動きと計測された形状の変化の関係を利用するフィードバックループが伴う。 この関係は、相互作用ヤコビアン(英語版)として知られるか、あるいはこの文脈では、変形ヤコビアン(英語版)は、物体の力学的性質、幾何学、境界条件(例えば、物体をつかむ)に依存する。 これらの要因を正確にモデル化することはしばしば困難であるため、ジャコビアン変形はロボットの動きによって生じる観察された形状変化から局所的に推定することができる。 この記事では、データ駆動型Jacobianベースの変形可能なオブジェクトの形状制御に関する2部構成のチュートリアルの第一弾となる。 本論文では, 形状制御問題の定式化, 形状表現, 変形ジャコビアンのオンライン更新, および文献からの標準制御法について紹介する。 その後、これらの要素を完全な形状維持ループに組み立て、このループの局所的な安定性条件を導出し、ターゲット形状に到達できない理由を説明する。 第2部ではより先進的な話題を取り上げている。 両方の部分を通して、2つのロボットアームがカメラで観察された弾性棒を操作する模擬平面の例が、その概念を示している。

関連論文リスト

• Haptic Sorter: A Unified Planning Framework for Online Shape Estimation and Real-Time Pose Inference [5.39302833189819]
  本稿では,ロボット触覚認識,モデリング,操作計画を統合したモデルベース幾何フレームワークを提案する。 我々は2次元ロボットソート作業にシステムを配置し、シミュレーションと実世界のマルチアーム構成の両方において、我々のフレームワークの堅牢性を検証するためにオブジェクトジオメトリを変化させる。
  論文  参考訳（メタデータ） (2026-05-29T14:28:42Z)
• REACTO: Reconstructing Articulated Objects from a Single Video [64.89760223391573]
  関節の柔軟な変形を維持しつつ各部の剛性を向上する新しい変形モデルを提案する。 提案手法は, 従来よりも高忠実度な3D再構成を実現する上で, 従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-04-17T08:01:55Z)
• Physics-Encoded Graph Neural Networks for Deformation Prediction under Contact [87.69278096528156]
  ロボット工学では、触覚相互作用における物体の変形を理解することが不可欠である。 本稿では,物理符号化グラフニューラルネットワーク(GNN)を用いた予測手法を提案する。 コードとデータセットを公開して、ロボットシミュレーションと把握の研究を進めました。
  論文  参考訳（メタデータ） (2024-02-05T19:21:52Z)
• ShapeShift: Superquadric-based Object Pose Estimation for Robotic Grasping [85.38689479346276]
  現在の技術は参照3Dオブジェクトに大きく依存しており、その一般化性を制限し、新しいオブジェクトカテゴリに拡張するのにコストがかかる。 本稿では,オブジェクトに適合するプリミティブな形状に対してオブジェクトのポーズを予測する,オブジェクトのポーズ推定のためのスーパークワッドリックベースのフレームワークであるShapeShiftを提案する。
  論文  参考訳（メタデータ） (2023-04-10T20:55:41Z)
• Pop-Out Motion: 3D-Aware Image Deformation via Learning the Shape Laplacian [58.704089101826774]
  形状分類と変形型に最小限の制約を課した3次元画像変形法を提案する。 点雲として表される3次元再構成の基底体積のラプラシアン形状を予測するために,教師付き学習に基づくアプローチを採用する。 実験では,2次元キャラクタと人間の衣料画像の変形実験を行った。
  論文  参考訳（メタデータ） (2022-03-29T04:57:18Z)
• SPAMs: Structured Implicit Parametric Models [30.19414242608965]
  本研究では,非剛体物体の動きを形状とポーズの部分的不整合表現に構造的に分解する変形可能なオブジェクト表現として,構造化単純パラメトリックモデル(SPAM)を学習する。 複雑な変形物体の動きの深度配列の復元と追跡において、我々の部分認識形状とポーズ理解が最先端のパフォーマンスに繋がることを示す実験を行った。
  論文  参考訳（メタデータ） (2022-01-20T12:33:46Z)
• A Bayesian Treatment of Real-to-Sim for Deformable Object Manipulation [59.29922697476789]
  本稿では,変形可能な物体の状態を分布埋め込みとして表現する手法を用いて,画像列から状態情報を抽出する手法を提案する。 実験により, 弾性, 摩擦, スケールなどの物性の後方分布を, 布やロープなどの高変形性物体で推定できることが確認された。
  論文  参考訳（メタデータ） (2021-12-09T17:50:54Z)
• Learning Visual Shape Control of Novel 3D Deformable Objects from Partial-View Point Clouds [7.1659268120093635]
  弾性、3次元変形可能な物体の解析モデルは、物体の形状を決定する際に存在する潜在的無限の自由度を記述するために、多数のパラメータを必要とする。 従来の3D形状制御の試みは、オブジェクト形状を表現するために手作りの特徴に依存しており、オブジェクト固有の制御モデルの訓練が必要である。 DeformerNetニューラルネットワークアーキテクチャは、操作対象の部分的な視点クラウドと目標形状の点クラウドで動作し、オブジェクト形状の低次元表現を学習する。
  論文  参考訳（メタデータ） (2021-10-10T02:34:57Z)
• NiLBS: Neural Inverse Linear Blend Skinning [59.22647012489496]
  本稿では, 従来のスキン加工技術を用いて, ポーズによってパラメータ化されたニューラルネットワークを用いて変形を反転させる手法を提案する。 これらの変形を逆転する能力は、例えば距離関数、符号付き距離関数、占有率)の値を静止ポーズで事前計算し、文字が変形したときに効率的にクエリすることができる。
  論文  参考訳（メタデータ） (2020-04-06T20:46:37Z)

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。