Max Yang
University of Bristol
収録論文 11本 ・ フィジカルAI/ロボット学習
※arXiv著者名で収集。同姓同名の別人の論文が含まれる場合があります。
論文
- TactileLab: せん断感覚を効率的にシミュレートする触覚シミュレーションによるSim-to-Real巧緻マニピュレーション触覚/sim2real2026/11/5
剛体シミュレーションで接触界面のせん断流れ場を効率的に生成する触覚シミュレーションフレームワークTactileLabを提案し、実触覚画像をシミュレーション触覚流れ場へ変換するreal-to-sim手法と組み合わせて実機での巧緻マニピュレーションを実現した。
- 触覚による把持内物体回転：シミュレーションと実機におけるハンド形態の比較研究マニピュレーション2026/10/19
低コストLEAPハンドの指配置（人間型 vs 対称型）と触覚センサの有無が把持内回転性能に与える影響を、シミュレーションと実機で比較検証した。対称型配置が回転数・回転速度・持続時間で優れ、指先負荷も低いことを示した。
- NeuralTouch: 触覚による精密なSim-to-Realロボット制御のためのニューラル記述子触覚2025/10/1
Neural Descriptor Fieldsと触覚フィードバックを組み合わせ、強化学習で把持姿勢を微調整することで、実機へのゼロショット転移を可能にしたマルチモーダル枠組みを提案。
- 視覚ベース触覚センサの分類：レビュー触覚2025/9/1
視覚ベース触覚センサ（VBTS）を、接触を触覚画像に変換する原理に基づきマーカー型と強度型の2つに大別し、さらに4つのサブタイプに分類して比較したレビュー論文。
- Text2Touch: LLMが設計した報酬関数による触覚を活用したハンド内操作触覚2025/9/1
LLMに報酬関数を設計させ、触覚センサ付き4指ロボットハンドで多軸のハンド内物体回転を実現した研究。人間設計の報酬を上回る性能を、より簡潔な報酬で達成した。
- DexiTac: 柔軟で器用な触覚グリッピングマニピュレーション2024/5/1
再構成可能な空気圧式グリッパと触覚センサを組み合わせ、触覚カーネル密度操作戦略と二重閉ループ制御で多様な物体の把持と操作を実現した。
- AnyRotate: 重力不変な手内物体回転を実現するSim-to-Real触覚触覚2024/5/1
高密度な触覚情報をシミュレーションで学習し実機へゼロショット転移することで、手の向きや重力に依存せず任意軸周りに未知物体を回転させるシステムを実現した。
- タッチで拓く3Dガウシアンスプラッティング：光沢面を高精度に再構成触覚2024/3/1
触覚の局所深度マップと多視点画像を組み合わせ、光沢・反射面でも少ない画像枚数で高精度に3D再構成する手法を提案。
- Bi-Touch: シミュレーションから実機への深層強化学習による両腕触覚マニピュレーション触覚マニピュレーション2023/7/1
低コストの触覚センサを備えた双腕ロボットシステムを構築し、双方向プッシュ・再配向・収集タスクを深層強化学習と触覚sim-to-realで学習させ、実環境での汎化性と頑健性を示した。
- 触覚によるプッシング操作のためのSim-to-Realモデルベース・モデルフリー深層強化学習触覚2023/7/1
視覚入力を使わず触覚センシングのみで物体を目標位置へ押すタスクに対し、モデルベースとモデルフリーの深層強化学習をsim-to-realで実機に適用し、未見物体への汎化と外乱下での高精度制御を実現した。
- Tac-VGNN：姿勢ベース触覚サーボのためのボロノイグラフニューラルネットワーク触覚2023/3/1
生体模倣光学触覚センサTacTipを用い、ボロノイ特徴を組み込んだグラフニューラルネットワークで触覚マーカーのせん断運動と接触深さをモデル化し、姿勢推定精度と実表面追従タスクの性能を向上させた。
