把持から動作へ：動的環境における道具使用のための巧みな把持

- 器用な手で道具を使う際の動的な把持を実現するシステム「Grasp-to-Act」を提案。 - 物理ベースの把持最適化と強化学習による把持適応を組み合わせたハイブリッド手法。 - 人間のデモンストレーションに基づきロバストな把持構成を合成し、適応コントローラが関節補正を残差的に指令。 - 16-DoFの器用な手で、ハンマー、鋸、切断、撹拌、すくいの5つの動的道具使用タスクを対象。 - シミュレーションと実機でゼロショットsim-to-real転移を実現。

- 既存手法は静的な幾何学的安定性に基づく把持最適化が主流で、操作中の外力（衝撃、トルク、連続抵抗）に対応できない。 - 本手法は動的な外力下でも安定した把持を維持し、機能的な操作タスクを完遂できる点が優れている。 - シミュレーションと実機の両方でベースラインを一貫して上回り、並進・回転のハンド内滑りを低減。 - タスク完了率が最も高いことを示し、動的で接触の多い条件下での安定した機能的把持を実証。

- 物理ベースの把持最適化と強化学習ベースの把持適応を組み合わせたハイブリッドシステム。 - 人間のデモンストレーションに基づきロバストな把持構成を合成。 - 適応コントローラが残差的に関節補正を指令し、物体軌道を追従しつつハンド内滑りを防止。 - 具体的なアルゴリズムやネットワーク構造は要旨からは不明。

- 5つの動的道具使用タスク（ハンマー、鋸、切断、撹拌、すくい）で評価。 - シミュレーションと実機（16-DoFの器用な手）の両方で実験。 - ベースラインと比較し、並進・回転のハンド内滑りを低減し、タスク完了率が最高であることを確認。 - ゼロショットsim-to-real転移が可能であることを示した。

- 要旨からは、手法の限界や失敗事例、計算コスト、一般化可能性に関する議論は不明。 - 動的で接触の多い条件下での安定した機能的把持の実現を強調しているが、詳細な議論は要旨からは不明。

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として、物理ベースの把持最適化、強化学習による把持適応、sim-to-real転移、器用な手による道具使用に関する研究が挙げられる。 - 具体的な論文名は要旨からは不明。