マニピュレーション2026/9/16arXiv:2609.19228

相互接続による把持：粗い物体テンプレートからのロバストな閉じ動作

Grasping by interconnection: robust closing motions from coarse object templates

粗い物体テンプレートと人間の把持タイプを用い、接触点を指定せずに柔軟な滑り接触を活用する動作計画を提案し、不確実な状況でもロバストに把持できることを示した。

詳しい要約

1. どんなもの？

- 粗い物体テンプレートと人間の把持タイプに基づく把持計画手法を提案。 - 物体の形状・サイズ・姿勢が近似的にしか分からない場合でも、閉じ動作自体が不確かさに耐えることを目指す。 - 仮想モデル制御で実装し、Shadow Dexterous Handで評価。 - フィードバックなしでサイズ誤差約1cm、姿勢誤差数cm・数十度を許容。 - 80個の日常物体の82.5%を把持し、自律パイプラインでも成功。

2. 先行研究と比べてどこがすごい？

- 従来の把持計画は正確な物体モデルを要求するか、フィードバックで誤差を修正するのが一般的。 - 本研究は閉じ動作自体にロバスト性を設計できることを示した点が新しい。 - 最先端のデータ駆動型プランナーと比較し、27条件中25条件でより広い誤差範囲を許容。 - フィードバックなしでも動作するため、不確実な環境での信頼性向上に寄与。

3. 技術・手法の肝は？

- 4つの原理：粗い物体テンプレート、人間の把持タイプ、物体中心の相互作用、指定接触点の代わりに柔軟で滑りを許容する接触。 - 仮想モデル制御（virtual model control）でプランナーを実装。 - 閉じ動作中に接触点を固定せず、滑りを許容することでロバスト性を実現。 - 物体の粗いテンプレートと把持タイプを組み合わせ、動作を生成。

4. どうやって有効だと検証した？

- Shadow Dexterous Handを用いて評価。 - フィードバックなしでサイズ誤差約1cm、姿勢誤差数cm・数十度を許容することを確認。 - 最先端のデータ駆動型プランナーと27条件で比較し、25条件で優位。 - 80個の日常物体を把持し、82.5%の成功率を達成。 - 自律パイプライン内でも成功。

5. 議論はある？

- 閉じ動作自体にロバスト性を設計できることを示唆。 - フィードバック制御にのみ依存しないアプローチの可能性を提示。 - 不確実な設定での信頼性の高いマニピュレーションへの道を開く。 - 今後の課題として、物理ハンドでの適応フィードバック制御との組み合わせを挙げている。

6. 次に読むべき論文は？

- 要旨で参照されている具体的な論文名は不明。 - 関連手法として、state-of-the-art data-driven planner、adaptive feedback control、virtual model controlが挙げられる。 - 同分野の定番として、grasp planning、compliant control、human grasp typesに関する研究が考えられる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Julien Vanderheyden, Guillaume Drion, Fulvio Forni, Pierre Sacré

分類: cs.RO

原文アブストラクト

Dexterous robot hands must often grasp objects whose shape, size, and pose are known only approximately. Grasp planners typically require accurate object models or correct errors with feedback, but how much inaccuracy a closing motion can tolerate on its own remains unclear. To address this question, we designed a motion planner based on four principles: a coarse template of the object, human grasp types, an object-centric interaction, and compliant, sliding contacts instead of prescribed contact points. This paper presents the planner, implemented through virtual model control, and its evaluation on a Shadow Dexterous Hand. Without feedback, the planned closing motions tolerated size errors of about 1cm and pose errors of several centimeters and tens of degrees, a wider range than a state-of-the-art data-driven planner in 25 of 27 tested conditions. They also grasped 82.5% of 80 everyday objects and succeeded within an autonomous pipeline. Robustness can thus be designed into the closing motion itself, rather than left only to feedback. This planner opens a path toward reliable manipulation in uncertain settings, which we will pursue by combining it with adaptive feedback control on the physical hand.

arXivで原文を読む →arXiv概要ページ

相互接続による把持：粗い物体テンプレートからのロバストな閉じ動作

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文