論文の概要: Catch the Ball: Accurate High-Speed Motions for Mobile Manipulators via Inverse Dynamics Learning

• arxiv url: http://arxiv.org/abs/2003.07489v1
• Date: Tue, 17 Mar 2020 01:33:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-12-22 21:57:35.863227
• Title: Catch the Ball: Accurate High-Speed Motions for Mobile Manipulators via Inverse Dynamics Learning
• Title（参考訳）: catch the ball: 逆ダイナミクス学習による移動マニピュレータの高精度高速動作
• Abstract要約: 移動マニピュレータは、スローモーションコラボレーティブロボットシナリオにデプロイされる。 本稿では,高精度な高速動作を必要とするシナリオについて考察する。 2つの主要コンポーネントを含むこのタスク体制のためのフレームワークを導入する。
• 参考スコア（独自算出の注目度）: 20.655003319777368
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mobile manipulators consist of a mobile platform equipped with one or more robot arms and are of interest for a wide array of challenging tasks because of their extended workspace and dexterity. Typically, mobile manipulators are deployed in slow-motion collaborative robot scenarios. In this paper, we consider scenarios where accurate high-speed motions are required. We introduce a framework for this regime of tasks including two main components: (i) a bi-level motion optimization algorithm for real-time trajectory generation, which relies on Sequential Quadratic Programming (SQP) and Quadratic Programming (QP), respectively; and (ii) a learning-based controller optimized for precise tracking of high-speed motions via a learned inverse dynamics model. We evaluate our framework with a mobile manipulator platform through numerous high-speed ball catching experiments, where we show a success rate of 85.33%. To the best of our knowledge, this success rate exceeds the reported performance of existing related systems and sets a new state of the art.
• Abstract（参考訳）: 移動マニピュレータは1つ以上のロボットアームを備えたモバイルプラットフォームで構成されており、ワークスペースと器用さが拡張されているため、幅広い課題を抱える。 通常、移動マニピュレータはスローモーションコラボレーティブロボットのシナリオに展開される。 本稿では,高精度な高速動作が要求されるシナリオについて考察する。 2つの主要なコンポーネントを含むこのタスク体制のためのフレームワークを導入する。 (i)逐次擬似計画法(SQP)と擬似計画法(QP)に依存した実時間軌道生成のための二段階運動最適化アルゴリズム (II)学習逆ダイナミクスモデルによる高速動作の正確な追跡に最適化された学習ベースコントローラ。 我々は,多数の高速球捕り実験を通じて移動マニピュレータプラットフォームによるフレームワークの評価を行い,85.33%の成功率を示した。 私たちの知る限りでは、この成功率は既存の関連するシステムの報告されたパフォーマンスを上回り、新しい技術状態を設定します。

関連論文リスト

• CosmoH2G: A Hand-to-Gripper Transfer Dataset and Baseline Method for Object Manipulation with Complex Spatial Movements [63.40365657068892]
  ロボットグリップに人手によるデモンストレーションを移すことは、最近、ロボット学習の費用対効果の高いソリューションとして浮上した。 このギャップに触発された我々は、きめ細かい手の動きによって導かれる暗黙的なデータ駆動アプローチを採用した。 シミュレーションと実ロボット実験の両方において、我々のフレームワークは複雑な空間操作の安定かつ高精度なハンド・トゥ・グルーパー転送を可能にする。
  論文  参考訳（メタデータ） (2026-09-07T13:47:22Z)
• Spatiotemporal Agility: Time-Constrained Reinforcement Learning for Vision-Guided Dynamic Quadrupedal Interception [3.372164928871513]
  脚のあるロボットは、複雑で動的な環境を知覚し、相互作用するために、堅牢な俊敏性を必要とします。 既存の四足歩行の作業の多くは、厳密な時間的制約の中で正確な目標に到達するのに苦労する速度追跡ポリシーに依存している。 本稿では,着陸地点と時間予測のための視覚モジュールと直接位置と時間条件のRLロコモーションポリシを組み合わせた統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-07T07:42:19Z)
• Navigating the Clutter: Waypoint-Based Bi-Level Planning for Multi-Robot Systems [54.887871365121775]
  乱雑な環境におけるマルチロボット制御は、複雑な物理的制約を伴う難しい問題である。 タスクとモーションプランニングを協調的に最適化するハイブリッドマルチロボット制御フレームワークを提案する。 我々のアプローチは、動作に依存しないベースラインとVLAベースのベースラインよりもタスクの成功を継続的に改善する。
  論文  参考訳（メタデータ） (2026-04-22T22:58:47Z)
• FastGrasp: Learning-based Whole-body Control method for Fast Dexterous Grasping with Mobile Manipulators [30.405863830176028]
  そこで我々は,移動型高速グリーティングのための,把握誘導,全身制御,触覚フィードバックを統合した学習ベースのフレームワークを提案する。 筆者らの2段階強化学習戦略はまず,多様な把握候補を生成する。 実験はシミュレーションと実世界のシナリオの両方において優れた把握性能を示す。
  論文  参考訳（メタデータ） (2026-04-14T15:30:57Z)
• MobileManiBench: Simplifying Model Verification for Mobile Manipulation [70.30578259859512]
  MobileManiBenchは、モバイルベースのロボット操作のための大規模なベンチマークである。 MobileManiBenchには、2つのモバイルプラットフォーム(パラレルグリッパーとデキソラスハンドロボット)、2つの同期カメラ(頭と右手首)、630のオブジェクト(オープン、クローズ、プル、プッシュ、ピック)、5つのスキル(オープン、クローズ、プッシュ、ピック)、100以上のタスクが現実的なシーンで実行される。
  論文  参考訳（メタデータ） (2026-02-05T02:49:52Z)
• KungfuBot: Physics-Based Humanoid Whole-Body Control for Learning Highly-Dynamic Skills [50.34487144149439]
  そこで本研究では,Kungfuやダンスなどの人体動作を高度に制御することを目的とした,物理学に基づくヒューマノイド制御フレームワークを提案する。 動作処理では,運動の抽出,フィルタリング,修正,再ターゲティングを行うパイプラインを設計し,物理的制約の遵守を確実にする。 動作模倣では、二段階最適化問題を定式化し、追従精度の許容度を動的に調整する。 実験では,高ダイナミックな動作のセットを模倣するために全身制御ポリシーを訓練する。
  論文  参考訳（メタデータ） (2025-06-15T13:58:53Z)
• SAIL: Faster-than-Demonstration Execution of Imitation Learning Policies [9.945756965776932]
  オフライン・イミテーション・ラーニング(IL)法は複雑なロボット操作技術を得るのに効果的である。 既存のILトレーニングされたポリシーは、デモデータに示すように、タスクを同じ速度で実行することに限定される。 本稿では,ビジュモータポリシーの高速化を実現するための新しい問題を紹介し,定式化する。
  論文  参考訳（メタデータ） (2025-06-13T16:58:20Z)
• PALo: Learning Posture-Aware Locomotion for Quadruped Robots [29.582249837902427]
  本稿では,姿勢認識型移動ロボットPALoのエンド・ツー・エンド深部強化学習フレームワークを提案する。 PALoは、直線速度と角速度の同時追跡と、体高、ピッチ、ロール角度のリアルタイム調整を行う。 PALoは、シミュレートされた環境でアジャイルな姿勢認識ロコモーションコントロールを実現し、微調整なしで実世界の設定に転送することに成功した。
  論文  参考訳（メタデータ） (2025-03-06T14:13:59Z)
• Self-Supervised Learning of Grasping Arbitrary Objects On-the-Move [8.445514342786579]
  本研究では3つの完全畳み込みニューラルネットワーク(FCN)モデルを導入し,視覚入力から静的グリッププリミティブ,動的グリッププリミティブ,残留移動速度誤差を予測する。 提案手法は高い把握精度とピック・アンド・プレイス効率を実現した。
  論文  参考訳（メタデータ） (2024-11-15T02:59:16Z)
• Learning to enhance multi-legged robot on rugged landscapes [7.956679144631909]
  多足ロボットは、頑丈な風景をナビゲートするための有望なソリューションを提供する。 近年の研究では、線形制御器が挑戦的な地形上で信頼性の高い移動性を確保することが示されている。 我々は,このロボットプラットフォームに適した MuJoCo ベースのシミュレータを開発し,シミュレーションを用いて強化学習に基づく制御フレームワークを開発する。
  論文  参考訳（メタデータ） (2024-09-14T15:53:08Z)
• Guided Decoding for Robot On-line Motion Generation and Adaption [44.959409835754634]
  本稿では,ロボットアームに高い自由度を持つ新たな動作生成手法を提案する。 本研究では,実演として使用する擬似軌道の大規模データセットに基づいて,条件付き変分オートエンコーダに基づくトランスフォーマーアーキテクチャを訓練する。 本モデルでは, 異なる初期点と目標点からの運動をうまく生成し, 異なるロボットプラットフォームを横断する複雑なタスクをナビゲートする軌道を生成可能であることを示す。
  論文  参考訳（メタデータ） (2024-03-22T14:32:27Z)
• TLControl: Trajectory and Language Control for Human Motion Synthesis [68.09806223962323]
  本稿では,人間のリアルな動き合成のための新しい手法であるTLControlを提案する。 低レベルのTrajectoryと高レベルのLanguage semanticsコントロールが組み込まれている。 インタラクティブで高品質なアニメーション生成には実用的である。
  論文  参考訳（メタデータ） (2023-11-28T18:54:16Z)
• Learning and Adapting Agile Locomotion Skills by Transferring Experience [71.8926510772552]
  本稿では,既存のコントローラから新しいタスクを学習するために経験を移譲することで,複雑なロボティクススキルを訓練するためのフレームワークを提案する。 提案手法は,複雑なアジャイルジャンプ行動の学習,後肢を歩いたまま目標地点への移動,新しい環境への適応を可能にする。
  論文  参考訳（メタデータ） (2023-04-19T17:37:54Z)
• Simultaneous Contact-Rich Grasping and Locomotion via Distributed Optimization Enabling Free-Climbing for Multi-Limbed Robots [60.06216976204385]
  移動, 把握, 接触問題を同時に解くための効率的な運動計画フレームワークを提案する。 ハードウェア実験において提案手法を実証し, より短い計画時間で, 傾斜角45degで自由クライミングを含む様々な動作を実現できることを示す。
  論文  参考訳（メタデータ） (2022-07-04T13:52:10Z)
• Autonomous Aerial Robot for High-Speed Search and Intercept Applications [86.72321289033562]
  高速物体把握のための完全自律飛行ロボットが提案されている。 追加のサブタスクとして、我々のシステムは、表面に近い極にある気球を自律的にピアスすることができる。 我々のアプローチは、挑戦的な国際競争で検証され、優れた結果が得られました。
  論文  参考訳（メタデータ） (2021-12-10T11:49:51Z)
• Consolidating Kinematic Models to Promote Coordinated Mobile Manipulations [96.03270112422514]
  我々は,移動体ベース,アーム,移動体操作で操作する物体の運動学を統合する仮想キネマティックチェイン(VKC)を構築した。 移動操作タスクは、構築されたVKCの状態を変更して表現され、移動計画問題に変換することができる。
  論文  参考訳（メタデータ） (2021-08-03T02:59:41Z)
• Success Weighted by Completion Time: A Dynamics-Aware Evaluation Criteria for Embodied Navigation [42.978177196888225]
  我々は,移動ロボットのナビゲーション性能を評価するための新しい指標であるCompletion Time (SCT) により,Successを重み付けした。 RRT*-ユニサイクル(RRT*-Unicycle)も提案する。
  論文  参考訳（メタデータ） (2021-03-14T20:13:06Z)
• ReLMoGen: Leveraging Motion Generation in Reinforcement Learning for Mobile Manipulation [99.2543521972137]
  ReLMoGenは、サブゴールを予測するための学習されたポリシーと、これらのサブゴールに到達するために必要な動作を計画し実行するためのモーションジェネレータを組み合わせたフレームワークである。 本手法は,フォトリアリスティック・シミュレーション環境における7つのロボットタスクの多種多様なセットをベンチマークする。 ReLMoGenは、テスト時に異なるモーションジェネレータ間で顕著な転送可能性を示し、実際のロボットに転送する大きな可能性を示している。
  論文  参考訳（メタデータ） (2020-08-18T08:05:15Z)

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。