論文の概要: Mobile-TeleVision: Predictive Motion Priors for Humanoid Whole-Body Control

• arxiv url: http://arxiv.org/abs/2412.07773v1
• Date: Tue, 10 Dec 2024 18:59:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-11 14:38:01.000471
• Title: Mobile-TeleVision: Predictive Motion Priors for Humanoid Whole-Body Control
• Title（参考訳）: 移動テレビジョン:ヒューマノイド全体制御のための予測動作優先
• Authors: Chenhao Lu, Xuxin Cheng, Jialong Li, Shiqi Yang, Mazeyu Ji, Chengjing Yuan, Ge Yang, Sha Yi, Xiaolong Wang,
• Abstract要約: ヒューマノイドロボットは頑丈な下半身移動と正確な上半身操作を必要とする。 最近の強化学習アプローチは、全身のロコ操作ポリシーを提供するが、正確な操作はしていない。 Inverses (IK) と Motion を用いた高体力制御を導入し, 高精度な操作を行う。 CVAEは安定性とロバスト性に重要な特徴であり,RLによる全身制御よりも高い精度で操作できることが示唆された。
• 参考スコア（独自算出の注目度）: 18.269588421166503
• License:
• Abstract: Humanoid robots require both robust lower-body locomotion and precise upper-body manipulation. While recent Reinforcement Learning (RL) approaches provide whole-body loco-manipulation policies, they lack precise manipulation with high DoF arms. In this paper, we propose decoupling upper-body control from locomotion, using inverse kinematics (IK) and motion retargeting for precise manipulation, while RL focuses on robust lower-body locomotion. We introduce PMP (Predictive Motion Priors), trained with Conditional Variational Autoencoder (CVAE) to effectively represent upper-body motions. The locomotion policy is trained conditioned on this upper-body motion representation, ensuring that the system remains robust with both manipulation and locomotion. We show that CVAE features are crucial for stability and robustness, and significantly outperforms RL-based whole-body control in precise manipulation. With precise upper-body motion and robust lower-body locomotion control, operators can remotely control the humanoid to walk around and explore different environments, while performing diverse manipulation tasks.
• Abstract（参考訳）: ヒューマノイドロボットは、頑丈な下半身移動と正確な上半身操作の両方を必要とする。 最近の強化学習(RL)アプローチは、全身のロコ操作ポリシーを提供するが、高いDoFアームによる正確な操作は欠如している。 本稿では,逆運動学(Inverse Kiinematics, IK)とモーション・リターゲティング(Motion Retargeting)を用いて,上半身制御をロコモーションから分離する手法を提案する。 上半身動作を効果的に表現するために,条件付き変分オートエンコーダ(CVAE)を用いて訓練されたPMP(Predictive Motion Priors)を導入する。 移動ポリシーは、この上半身の運動表現に条件付けされ、システムが操作と移動の両方で堅牢であることを保証する。 CVAEは安定性とロバスト性に重要な特徴であり,RLによる全身制御よりも高い精度で操作できることが示唆された。 正確な上半身の動きと頑健な下半身の移動制御により、操作者は遠隔でヒューマノイドを制御して様々な環境を探索し、多様な操作を行うことができる。

関連論文リスト

• Learning Force Control for Legged Manipulation [18.894304288225385]
  本稿では,力覚へのアクセスを必要とせず,直接力制御のためのRLポリシーを訓練する方法を提案する。 腕を持つ四足ロボットの全身制御プラットフォーム上で本手法を実証する。 足のマニピュレータに学習した全身力制御を初めて導入し、より汎用的で適応可能な脚ロボットの道を歩む。
  論文  参考訳（メタデータ） (2024-05-02T15:53:43Z)
• Visual Whole-Body Control for Legged Loco-Manipulation [22.50054654508986]
  そこで本研究では,ロボットアームを用いた移動操作の問題点について検討する。 視覚的観察により全身制御を自律的に行うことのできる枠組みを提案する。
  論文  参考訳（メタデータ） (2024-03-25T17:26:08Z)
• Reinforcement Learning for Versatile, Dynamic, and Robust Bipedal Locomotion Control [106.32794844077534]
  本稿では,二足歩行ロボットのための動的移動制御系を構築するために,深層強化学習を用いた研究について述べる。 本研究では、周期歩行やランニングから周期ジャンプや立位に至るまで、様々な動的二足歩行技術に使用できる汎用的な制御ソリューションを開発する。 この研究は、二足歩行ロボットの俊敏性の限界を、現実世界での広範な実験を通じて押し上げる。
  論文  参考訳（メタデータ） (2024-01-30T10:48:43Z)
• 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)
• Universal Humanoid Motion Representations for Physics-Based Control [71.46142106079292]
  物理学に基づくヒューマノイド制御のための総合的な運動スキルを含む普遍的な運動表現を提案する。 まず、大きな非構造運動データセットから人間の動きをすべて模倣できる動き模倣機を学習する。 次に、模倣者から直接スキルを蒸留することで、動作表現を作成します。
  論文  参考訳（メタデータ） (2023-10-06T20:48:43Z)
• QuestSim: Human Motion Tracking from Sparse Sensors with Simulated Avatars [80.05743236282564]
  人間の身体の動きのリアルタイム追跡は、AR/VRにおける没入感のある体験に不可欠である。 本稿では,HMDと2つのコントローラから疎信号を取り出す強化学習フレームワークを提案する。 一つのポリシーは、多様な移動スタイル、異なる体の大きさ、新しい環境に対して堅牢であることを示す。
  論文  参考訳（メタデータ） (2022-09-20T00:25:54Z)
• Advanced Skills through Multiple Adversarial Motion Priors in Reinforcement Learning [10.445369597014533]
  本稿では, 対向運動に基づく強化学習の概念を強化するためのアプローチを提案する。 複数のスタイルやスキルを,顕著なパフォーマンスの違いを伴わずに同時に学習できることが示される。 本手法は車輪付き四脚ロボットを用いた実世界実験で実証された。
  論文  参考訳（メタデータ） (2022-03-23T09:24:06Z)
• Agile Maneuvers in Legged Robots: a Predictive Control Approach [20.55884151818753]
  そこで本研究では,ロボットがアジャイルなロコモーションスキルを計画し,実行できるようにする,接触位相予測および状態フィードバックコントローラを提案する。 私たちの研究は、予測制御がアクティベーション制限を処理し、アジャイルなロコモーション操作を生成し、別のボディコントローラを使わずに、ハードウェア上でローカルに最適なフィードバックポリシーを実行することができることを示す最初のものです。
  論文  参考訳（メタデータ） (2022-03-14T23:32:17Z)
• Reinforcement Learning for Robust Parameterized Locomotion Control of Bipedal Robots [121.42930679076574]
  シミュレーションにおけるロコモーションポリシをトレーニングするためのモデルフリー強化学習フレームワークを提案する。 ドメインランダム化は、システムダイナミクスのバリエーションにまたがる堅牢な振る舞いを学ぶためのポリシーを奨励するために使用されます。 本研究では、目標歩行速度、歩行高さ、旋回ヨーなどの多目的歩行行動について示す。
  論文  参考訳（メタデータ） (2021-03-26T07:14:01Z)
• UniCon: Universal Neural Controller For Physics-based Character Motion [70.45421551688332]
  大規模動作データセットから学習することで,異なるスタイルで数千の動作を習得する物理ベースのユニバーサルニューラルコントローラ(UniCon)を提案する。 UniConは、キーボード駆動制御をサポートし、ロコモーションとアクロバティックスキルの大きなプールから引き出されたモーションシーケンスを作成し、ビデオで撮影した人を物理ベースの仮想アバターにテレポートする。
  論文  参考訳（メタデータ） (2020-11-30T18:51:16Z)

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。