論文の概要: FACET: Force-Adaptive Control via Impedance Reference Tracking for Legged Robots

• arxiv url: http://arxiv.org/abs/2505.06883v2
• Date: Mon, 19 May 2025 11:28:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:10.652931
• Title: FACET: Force-Adaptive Control via Impedance Reference Tracking for Legged Robots
• Title（参考訳）: FACET:足ロボットのインピーダンス基準追従による力適応制御
• Authors: Botian Xu, Haoyang Weng, Qingzhou Lu, Yang Gao, Huazhe Xu,
• Abstract要約: インピーダンス参照追跡(FACET)を用いたemphForce-Adaptive Controlを提案する。 インピーダンス制御にインスパイアされた我々は、RLを使って制御ポリシーを訓練し、仮想的な質量ばね減衰系を模倣する。 シミュレーションでは、我々の四足歩行ロボットが大きな衝動に対して堅牢性を向上し、制御可能なコンプライアンスを示すことを示す。
• 参考スコア（独自算出の注目度）: 23.645867340878574
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Reinforcement learning (RL) has made significant strides in legged robot control, enabling locomotion across diverse terrains and complex loco-manipulation capabilities. However, the commonly used position or velocity tracking-based objectives are agnostic to forces experienced by the robot, leading to stiff and potentially dangerous behaviors and poor control during forceful interactions. To address this limitation, we present \emph{Force-Adaptive Control via Impedance Reference Tracking} (FACET). Inspired by impedance control, we use RL to train a control policy to imitate a virtual mass-spring-damper system, allowing fine-grained control under external forces by manipulating the virtual spring. In simulation, we demonstrate that our quadruped robot achieves improved robustness to large impulses (up to 200 Ns) and exhibits controllable compliance, achieving an 80% reduction in collision impulse. The policy is deployed to a physical robot to showcase both compliance and the ability to engage with large forces by kinesthetic control and pulling payloads up to 2/3 of its weight. Further extension to a legged loco-manipulator and a humanoid shows the applicability of our method to more complex settings to enable whole-body compliance control. Project Website: https://facet.pages.dev/
• Abstract（参考訳）: 強化学習(Reinforcement Learning, RL)は, 多様な地形を横断する移動と複雑な移動操作機能を実現するロボット制御において, 重要な進歩を遂げている。 しかし、一般的に使用される位置追跡や速度追跡に基づく目的は、ロボットが経験した力とは無関係であり、強烈な相互作用の間、頑丈で潜在的に危険な振る舞いと制御が不十分になる。 この制限に対処するため、Impedance Reference Tracking} (FACET) による \emph{Force-Adaptive Control を提案する。 インピーダンス制御にインスパイアされた我々は、RLを用いて仮想質量ばねを模倣する制御ポリシーを訓練し、仮想ばねを操作することで外部力によるきめ細かい制御を可能にする。 シミュレーションでは、我々の四足歩行ロボットは、大きなインパルス(最大200N秒)に対する堅牢性を向上し、制御可能なコンプライアンスを示し、衝突インパルスの80%の低減を実現している。 このポリシーは、物理ロボットに展開され、体力制御とペイロードの最大2/3の重量の引き込みによって、コンプライアンスと大きな力とを両立させる能力の両方を示す。 脚付きロコマニピュレータとヒューマノイドへのさらなる拡張により,本手法をより複雑な設定に適用し,全身のコンプライアンス制御を可能にする。 プロジェクトウェブサイト: https://facet.pages.dev/

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)
• 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)
• Reaching the Limit in Autonomous Racing: Optimal Control versus Reinforcement Learning [66.10854214036605]
  ロボット工学における中心的な問題は、アジャイルなモバイルロボットの制御システムをどうやって設計するかである。 本稿では、強化学習(RL)で訓練されたニューラルネットワークコントローラが最適制御(OC)法より優れていることを示す。 その結果、アジャイルドローンを最大性能に押し上げることができ、最大加速速度は重力加速度の12倍以上、ピーク速度は時速108kmに達しました。
  論文  参考訳（メタデータ） (2023-10-17T02:40:27Z)
• OSCAR: Data-Driven Operational Space Control for Adaptive and Robust Robot Manipulation [50.59541802645156]
  オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。 本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。 本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2021-10-02T01:21:38Z)
• 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)
• Learning Force Control for Contact-rich Manipulation Tasks with Rigid Position-controlled Robots [9.815369993136512]
  従来の力制御とRL手法を組み合わせた学習に基づく力制御フレームワークを提案する。 このような制御方式の中で,位置制御ロボットによる力制御を実現するために,従来の2つの手法を実装した。 最後に,実剛性ロボットマニピュレータを用いた操作作業において,RLエージェントを安全に訓練するためのフェールセーフ機構を開発した。
  論文  参考訳（メタデータ） (2020-03-02T01:58:03Z)

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。