ソフトロボティクス/リターゲティング2026/4/1arXiv:2604.01224

仮想人間デモからソフトロボットポリシーへの機能的な力認識リターゲティング

Functional Force-Aware Retargeting from Virtual Human Demos to Soft Robot Policies

ソフトロボットハンドに人間の操作スキルを教えるため、接触力を明示的に考慮した2段階の力認識リターゲティング手法を提案し、実世界での成功率を向上させた。

詳しい要約

1. どんなもの？

- 軟体ロボットハンドに人間らしい操作技能を教える枠組み SoftAct を提案。 - VR で人間のデモを収集し、手指運動学・物体運動・密な接触パッチ・接触力情報を取得。 - 従来の関節軌道 retargeting ではなく、接触力を明示的に扱う二段階の force-aware retargeting を採用。 - 非人間型の pneumatic soft robot hand で接触の多い操作タスクを評価。

2. 先行研究と比べてどこがすごい？

- 従来は人間の関節軌道をそのまま retargeting する手法が主流。 - SoftAct は接触力と接触幾何を明示的にモデル化し、機能意図を伝達。 - 極端な embodiment mismatch と非線形コンプライアンスに対応可能。 - 運動学的模倣だけでは回復できない力分布の情報を活用。

3. 技術・手法の肝は？

- 第一段階: デモの接触力を各人間指に帰属し、ロボット指へ比例配分して力均衡マッピングを構築。 - 第二段階: オンライン retargeting で、baseline の end-effector pose tracking と geodesic-weighted contact refinements を統合。 - 接触幾何と力の大きさを用いてロボット指先目標をリアルタイム調整。 - これにより軟体ハンドの非線形コンプライアンスを自然に吸収。

4. どうやって有効だと検証した？

- カスタム非人間型 pneumatic soft robot hand を用いた接触リッチ操作タスク群で評価。 - 指先軌道追従 RMSE を最大 55% 低減、追従分散を最大 69% 低減（kinematic および learning-based baselines 比）。 - ポリシーレベルで zero-shot 実世界展開とシミュレーションの成功率が一貫して高い。

5. 議論はある？

- 接触幾何と力分布の明示的モデル化が軟体ロボットハンドへの技能転移に不可欠と主張。 - 運動学的模倣だけでは不十分であることを結果が示す。 - 限界や失敗事例、一般化可能性については要旨からは不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている kinematic および learning-based baselines の具体的名称は要旨からは不明。 - 関連手法として human-to-robot retargeting、imitation learning、soft robot control の定番研究が挙げられる。 - プロジェクトページ https://soft-act.github.io/ に追加詳細あり。

※ 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: Uksang Yoo, Mengjia Zhu, Evan Pezent, Jom Preechayasomboon, Jean Oh, Jeffrey Ichnowski, Amir Memar, Ben Abbatematteo, Homanga Bharadhwaj, Ashish Deshpande, Harsha Prahlad

分類: cs.RO

原文アブストラクト

We introduce SoftAct, a framework for teaching soft robot hands to perform human-like manipulation skills by explicitly reasoning about contact forces. Leveraging immersive virtual reality, our system captures rich human demonstrations, including hand kinematics, object motion, dense contact patches, and detailed contact force information. Unlike conventional approaches that retarget human joint trajectories, SoftAct employs a two-stage, force-aware retargeting algorithm. The first stage attributes demonstrated contact forces to individual human fingers and allocates robot fingers proportionally, establishing a force-balanced mapping between human and robot hands. The second stage performs online retargeting by combining baseline end-effector pose tracking with geodesic-weighted contact refinements, using contact geometry and force magnitude to adjust robot fingertip targets in real time. This formulation enables soft robotic hands to reproduce the functional intent of human demonstrations while naturally accommodating extreme embodiment mismatch and nonlinear compliance. We evaluate SoftAct on a suite of contact-rich manipulation tasks using a custom non-anthropomorphic pneumatic soft robot hand. SoftAct's controller reduces fingertip trajectory tracking RMSE by up to 55 percent and reduces tracking variance by up to 69 percent compared to kinematic and learning-based baselines. At the policy level, SoftAct achieves consistently higher success in zero-shot real-world deployment and in simulation. These results demonstrate that explicitly modeling contact geometry and force distribution is essential for effective skill transfer to soft robotic hands, and cannot be recovered through kinematic imitation alone. Project videos and additional details are available at https://soft-act.github.io/.

arXivで原文を読む →arXiv概要ページ

← 論文一覧