論文の概要: BeyondContact: A Reinforcement Learning Framework for Airflow-Based Non-Contact Manipulation
- arxiv url: http://arxiv.org/abs/2611.03059v1
- Date: Mon, 02 Nov 2026 12:50:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 13:39:28.069773
- Title: BeyondContact: A Reinforcement Learning Framework for Airflow-Based Non-Contact Manipulation
- Title（参考訳）: BeyondContact: エアフローに基づく非接触操作のための強化学習フレームワーク
- Abstract要約: 我々はIsaac Labのためのロボットとタスク非依存のエアフロー拡張を開発し、超並列トレーニングをサポートする。
我々は,接触型プッシュと気流操作を組み合わせたハイブリッド型プッシュブローポリシと,気流のみを用いた立方体方向制御を行う長方形再配向ポリシを訓練する。
ゼロショットの現実世界での展開では、HPBは20回の試験で80%の成功率を達成し、RRは平均2.6度の絶対方向誤差を達成している。
- 参考スコア（独自算出の注目度）: 6.905651437585923
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Contact-based robotic manipulation is constrained by end-effector reachability and the mechanical properties of objects. Airflow can exert forces without direct robot-object contact, enabling manipulation of objects beyond the reach or when direct contact is undesirable. However, the lack of suitable simulation has hindered the application of reinforcement learning to airflow-based manipulation, limiting the broader adoption of this mechanism compared with contact-based methods. To address this gap, we developed a robot- and task-agnostic airflow extension for Isaac Lab that supports massively parallel training. The extension uses experimentally identified airflow models to compute the forces and torques exerted on objects. Based on this extension, we train a hybrid push-blow (HPB) policy that combines contact-based pushing with airflow manipulation and a rectangular reorientation (RR) policy that controls a cuboid's heading using airflow alone. To enable physical execution, we design a lightweight, high-speed blower that coexists with a gripper. In zero-shot real-world deployment, HPB achieves an 80% success rate over 20 trials, while RR achieves a mean absolute heading error of 2.6 degrees across four target headings. The project materials are available at https://github.com/iit-DLSLab/BeyondContact.
- Abstract（参考訳）: 接触型ロボット操作は、エンドエフェクタの到達性と物体の機械的特性に制約される。
エアフローは直接ロボットと物体の接触なしに力を発揮することができ、到達範囲を超えた物体の操作や直接接触が望ましくない場合の操作を可能にする。
しかし, 適切なシミュレーションの欠如により, 空気流による操作への強化学習の適用が妨げられ, 接触方式と比較して, この機構の広範な採用が制限された。
このギャップに対処するため、Isaac Labのためのロボットとタスクに依存しないエアフロー拡張を開発した。
この拡張は、実験的に同定された気流モデルを使用して、物体に作用する力とトルクを計算する。
この拡張に基づき、接触型プッシュと気流操作を組み合わせたハイブリッドプッシュブロー(HPB)ポリシーと、気流のみを用いた立方体方向制御(RR)ポリシーを訓練する。
物理的実行を可能にするために,グリップと共存する軽量で高速な送風機を設計する。
ゼロショットの現実世界での展開では、HPBは20回の試験で80%の成功率を達成し、RRは4回の目標地点で平均2.6°の絶対方向誤差を達成している。
プロジェクト資料はhttps://github.com/iit-DLSLab/BeyondContact.comで入手できる。
関連論文リスト
- Force-Driven Hook Disassembly via Constraint-Aware Object-Centric Reinforcement Learning [7.124188498356204]
本研究は,接触力からオンラインに抽出可能な方向を推定する制約対応強化学習フレームワークを提案する。
このポリシーは、シンプルなペグ・イン・ホールのペア上でロボットに依存しないオブジェクト中心のシミュレーションで訓練され、物理的なロボットにゼロショットを配置する。
この手法は、ペグ・イン・ホール・ペアからインナー・プロペラ、終末期空調ユニットの前部カバーまで、現実世界の4つのタスクで検証される。
論文 参考訳（メタデータ） (2026-10-28T09:27:00Z) - UWB Meets Crazyflow: Simulating Degraded Feedback at Scale for Aerial Robotics [8.563893272897879]
JAX 上に構築された正確な差別化可能なシミュレータである Crazyflow を紹介します。
Crazyflowは物理と制御を単一の微分可能なグラフに統合し、モデリング精度を犠牲にすることなく、アクセラレーションされたハードウェア上で大規模な並列化を可能にする。
論文 参考訳（メタデータ） (2026-10-06T12:13:21Z) - Aero-World: Action-Conditioned Aerial Video Generation from Inertial Controls [57.166020875486474]
我々は,事前学習した画像から映像への拡散モデルを制御可能な空中ビデオ生成装置に変換する方法であるtextbfAero-World を提案する。
実ビデオ-IMUペアで独立して訓練された冷凍潜伏空間物理学プローブは、LoRA微調整中に慣性・一貫性の異なる監視を提供する。
AeroBenchでは、アクションのみの微調整で平均AASを57.7から63.6に改善し、AirScapeよりも優れた品質制御トレードオフを提供する。
論文 参考訳（メタデータ） (2026-05-19T12:02:17Z) - 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) - Sim-to-Real Transfer for Muscle-Actuated Robots via Generalized Actuator Networks [53.12548325396181]
柔らかい筋肉のアクティベーションと組み合わせたテンドンドライブは、より速く、より安全なロボットを可能にする。
この複雑なアクチュエータのニューラルネットワークモデルを学習するsim-to-realパイプラインを提案する。
我々は,完全にシミュレーションで訓練された,正確なゴール獲得とダイナミック・ボール・イン・カップ・ポリシーの展開に成功した。
論文 参考訳（メタデータ） (2026-04-10T16:52:54Z) - ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation [55.467742403416175]
本稿では,大規模モーションキャプチャをヒューマノイドに変換する物理駆動型ニューラルネットワークを提案する。
我々は高密度参照とスパースタスク仕様の両方をサポートする統合マルチモーダルコントローラを学習する。
その結果,ULTRAは自我中心の知覚から,自律的,目標条件付き全体ロコ操作に一般化することが示された。
論文 参考訳（メタデータ） (2026-03-03T18:59:29Z) - Global End-Effector Pose Control of an Underactuated Aerial Manipulator via Reinforcement Learning [15.634803296068009]
ロボットアームとマルチロータードローンを組み合わせた空中マニピュレータは、アームの重量と機械的複雑さに厳しい制約に直面している。
本研究では,2自由度2自由度(DoF)アームを,6自由度エンドエフェクタのフルポーズ制御が可能な差動機構を用いて検討した。
論文 参考訳（メタデータ） (2025-12-24T10:00:01Z) - Diffusion-Based Impedance Learning for Contact-Rich Manipulation Tasks [13.17252299377244]
インピーダンス制御は物理的相互作用を形作るが、実現可能なインピーダンスパラメータを選択することでタスク認識チューニングを必要とする。
両ドメインを組み合わせたフレームワークである拡散型インピーダンス学習を提案する。
論文 参考訳（メタデータ） (2025-09-24T02:07:17Z) - 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) - OSCAR: Data-Driven Operational Space Control for Adaptive and Robust
Robot Manipulation [50.59541802645156]
オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。
本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。
本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2021-10-02T01:21:38Z)
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。