論文の概要: DexRemo: A Force-Sensing Hand Platform and Task Suite for Contact-Rich Removal Manipulation
- arxiv url: http://arxiv.org/abs/2611.15981v1
- Date: Wed, 11 Nov 2026 20:33:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.269894
- Title: DexRemo: A Force-Sensing Hand Platform and Task Suite for Contact-Rich Removal Manipulation
- Title(参考訳): DexRemo: コンタクトリッチ除去操作のための力覚ハンドプラットフォームとタスクスイート
- Abstract要約: DexRemoは、高力アクチュエータ、モジュラーフィンガータイプ、3軸フィンガータイピングセンサーを備えた3本指ロボットハンドである。
我々は手首中心のフレームで指先力を表現し、指と時間に一貫した幾何学的意味を与える。
本研究では,手首フレーム力,特に指先ポーズでは,手首フレーム力入力と非力ベースラインの安定性と一般化が向上することを示す。
- 参考スコア(独自算出の注目度): 3.001319220066644
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Many manipulation tasks require separating adhered, embedded, contaminated, or mechanically constrained targets. We study this setting as removal manipulation, where progress depends on evolving contact states that are only partially observable from vision and kinematics. We introduce DexRemo, a three-finger robotic hand with high-force actuation, modular fingertips, and three-axis fingertip force sensing, together with a nine-scenario real-robot task suite spanning adhesive detachment, surface cleaning and self-cleaning, and occluded retrieval. To make multi-finger force observations easier to fuse, we express fingertip forces in a shared wrist-centered frame, giving force components consistent geometric meaning across fingers and time. Using an Action Chunking Transformer backbone, policies fuse multi-view vision, proprioception, fingertip pose, and force observations to predict closed-loop action chunks from demonstrations. Evaluation uses six core benchmark tasks for controlled fingertip-input and force-frame ablations, plus three extension scenarios for additional held-out coverage. Across these evaluations, the learned policies achieve consistent removal performance, and ablations show that wrist-frame forces, especially with fingertip pose, improve stability and generalization over local-frame force inputs and no-force baselines. Project website: https://dexremo.github.io
- Abstract(参考訳): 多くの操作タスクは、密着した、埋め込まれた、汚染された、あるいは機械的に制約されたターゲットを分離する必要がある。
本研究は,視力と運動学から部分的に観察可能な接触状態の進展に依存する除去操作として,この設定について検討する。
DexRemoは、高力アクチュエータ、モジュラー指先、および3軸指先力センサを備えた3本指ロボットハンドであり、粘着剥離、表面洗浄、セルフクリーニング、閉塞型検索を兼ね備えた9つの実ロボットタスクスイートを備えている。
多指力観察を融合し易くするために、手首中心のフレームで指先力を表現し、指と時間の間で一貫した幾何学的意味を与える。
Action Chunking Transformerのバックボーンを使用して、ポリシーはマルチビュービジョン、プロプレセプション、指先ポーズ、そして観察を融合させ、デモからクローズループアクションチャンクを予測する。
評価では、コントロールされた指先入力とフォースフレームのアブレーションに6つのコアベンチマークタスクと、追加のホールドアウトカバレッジのための3つの拡張シナリオを使用する。
これらの評価を総合して、学習方針は一貫した除去性能を達成し、特に指先ポーズでは、局所的な力入力と非力ベースラインに対する安定性と一般化が向上することを示す。
プロジェクトウェブサイト:https://dexremo.github.io
関連論文リスト
- DexSeed: Expanding Human Hand-Object Interactions into Robot Demonstrations for Dexterous Policy Learning [67.11086498041455]
本研究では,視覚-言語-行動学習のための多種多様な物理的動作可能なロボットデモを生成する方法について検討する。
DexSeedは,人手-ロボット・オブジェクト間の相互作用から,低コストでデキスタス・ロボットデータを生成するためのフレームワークである。
論文 参考訳(メタデータ) (2026-11-10T13:52:18Z) - Now You Feel It, Now You See Me: Digital-Twin-based Teleoperation Interface for Dexterous Manipulation [0.0]
本稿では,デジタルツインベースの拡張現実(AR)遠隔操作インタフェースを提案する。
ベアハンドトラッキング、バイマニュアルロボットハンド、およびロボットとタスクオブジェクトの仮想表現を統合している。
ロボットの手メッシュの触覚測定を、ビジュオフォースのフィードバックとして表示する。
論文 参考訳(メタデータ) (2026-10-04T09:28:40Z) - Bench2Dex: Benchmarking Visuo-Tactile Bimanual Dexterous Manipulation Across Dexterous Hands [99.00248904465089]
指の構造、接触面、センサーレイアウトが異なる。
本報告では,12手にわたるバイスオタクティルバイマニュアル操作のシミュレーションベンチマークであるBench2Dexについて述べる。
論文 参考訳(メタデータ) (2026-09-14T15:22:59Z) - Assembling Two Parts in One Hand [30.640839805305635]
人間の器用さの目印は、異なる指が異なるが協調的な役割を担っている指の協調的使用である。
本研究は, 片手2つの剛体物体を1つの自在な手内に配向させることにより, 指の高さの調整について検討する。
本稿では,この問題を統一的な枠組みで解くための強化学習形式を提案する。
論文 参考訳(メタデータ) (2026-09-09T13:17:34Z) - VTAP Gripper: Synergizing Fingertip Sensing and a Visuo-Tactile Active Palm for Dexterous In-Hand Manipulation [22.38178317703772]
本稿では, VTAP (Visuo-Tactile Active Palm) を内蔵した触覚反応性グリップについて述べる。
このデザインは、構造化された指先シナジーとマルチモーダル触覚の認識を利用して、頑丈な把握と微調整を実現する。
論文 参考訳(メタデータ) (2026-07-16T20:41:00Z) - ForceBand: Learning Forceful Manipulation with sEMG [55.186900419710746]
ForceBandは低コストで手首を縫ったsEMGシステムで、人間の筋肉活動を力で強化されたデモに変える。
我々は,筋電図およびIMU信号から指ごとの力を予測するEMG2Forceモデルを事前訓練する。
実験により、ForceBandは視覚ベースラインよりも50%以上低い力予測誤差で細粒度の指先相互作用を回復することが示された。
論文 参考訳(メタデータ) (2026-06-24T17:59:35Z) - Multifingered force-aware control for humanoid robots [5.099311163246841]
マルチフィンガーハンドを用いたロボットプラットフォームにおける力認識制御と力分布について検討する。
我々は、胴体、腕、手首、指の動きに適応し、様々な質量分布や不安定な接触の物体との安定した接触を維持するために再分配力を設計する。
我々は5つのオブジェクトでバランスをとる作業においてフレームワークを検証し、成功率82.7%を達成し、さらに複数のオブジェクトシナリオで評価し、精度80%を達成した。
論文 参考訳(メタデータ) (2026-03-09T09:17:45Z) - Feel the Force: Contact-Driven Learning from Humans [52.36160086934298]
操作中のきめ細かい力の制御は、ロボット工学における中核的な課題である。
We present FeelTheForce, a robot learning system that model human tactile behavior to learn force-sensitive control。
提案手法は,5つの力覚的操作タスクで77%の成功率を達成した,スケーラブルな人間の監督において,堅牢な低レベル力制御を実現する。
論文 参考訳(メタデータ) (2025-06-02T17:57:52Z) - Deformer: Dynamic Fusion Transformer for Robust Hand Pose Estimation [59.3035531612715]
既存の方法では、手のこもりが強かったり、ぼやけたりすると、手のポーズが難しい場合が多い。
ビデオでは、手の動きによって、片方のフレームに隠されたり、ぼやけたりして、手のさまざまな部分を観察することができる。
画像内の手の部分間の関係を暗黙的に推論するフレームワークであるDeformerを提案する。
論文 参考訳(メタデータ) (2023-03-09T02:24:30Z)
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。