論文の概要: Learning coordinated badminton skills for legged manipulators

• arxiv url: http://arxiv.org/abs/2505.22974v2
• Date: Tue, 23 Sep 2025 12:45:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-24 16:16:25.6614
• Title: Learning coordinated badminton skills for legged manipulators
• Title（参考訳）: 足のマニピュレータのための協調バドミントンスキルの学習
• Abstract要約: 我々は,手足の移動マニピュレータがバドミントンを奏でるようにするためのアプローチを提案する。 本研究は,全身運動能力のための強化学習に基づく統一的制御政策を提案する。 本手法は,シャトルコック予測モデル,ロバスト動作制御のための制約付き強化学習,システム同定技術を含む。
• 参考スコア（独自算出の注目度）: 12.514822343998908
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Coordinating the motion between lower and upper limbs and aligning limb control with perception are substantial challenges in robotics, particularly in dynamic environments. To this end, we introduce an approach for enabling legged mobile manipulators to play badminton, a task that requires precise coordination of perception, locomotion, and arm swinging. We propose a unified reinforcement learning-based control policy for whole-body visuomotor skills involving all degrees of freedom to achieve effective shuttlecock tracking and striking. This policy is informed by a perception noise model that utilizes real-world camera data, allowing for consistent perception error levels between simulation and deployment and encouraging learned active perception behaviors. Our method includes a shuttlecock prediction model, constrained reinforcement learning for robust motion control, and integrated system identification techniques to enhance deployment readiness. Extensive experimental results in a variety of environments validate the robot's capability to predict shuttlecock trajectories, navigate the service area effectively, and execute precise strikes against human players, demonstrating the feasibility of using legged mobile manipulators in complex and dynamic sports scenarios.
• Abstract（参考訳）: 下肢と上肢の運動を調整し、四肢制御を知覚と整合させることは、ロボット工学、特に動的環境において重要な課題である。 そこで本研究では,手足の移動マニピュレータがバドミントンを奏でるようにするためのアプローチを提案する。 そこで本研究では,すべての自由度を包含し,効果的なシャトルコック追跡と打撃を行う全体バイスモータスキルのための強化学習に基づく統一的制御ポリシーを提案する。 このポリシーは、現実世界のカメラデータを利用して、シミュレーションとデプロイメントの間の一貫した認識エラーレベルを可能にし、学習されたアクティブな知覚行動を奨励する知覚ノイズモデルによって通知される。 本手法は, シャトルコック予測モデル, 頑健な動作制御のための拘束強化学習, 展開準備性を高める統合システム識別技術を含む。 様々な環境における大規模な実験結果から、ロボットがシャトルコック軌道を予測し、サービスエリアを効果的にナビゲートし、人間のプレイヤーに対して正確なストライキを実行し、複雑でダイナミックなスポーツシナリオで足の移動マニピュレータを使用することの可能性を示す。

関連論文リスト

• Vision-Based Dribbling for Humanoid Soccer via Privileged Representation Learning [2.1866669929322837]
  アクティブな相手を回避しながらサッカーボールをドリブルするには、同時バランス、正確なボール制御、およびオンボードセンシングおよびリアルタイム制約下での動的敵の認識が必要である。 本稿では,時間深度エンコーダをタスク固有のプロジェクション層を通じて強化学習ポリシーに組み込む手法を提案する。 我々は,この枠組みをシミュレーションされたブースターT1ヒューマノイドロボットに適用し,深度観測から直接視覚に基づく対戦意識のドリブルを学習可能であることを示す。
  論文  参考訳（メタデータ） (2026-07-14T12:27:58Z)
• TAC-LOCO: Unified Whole-Body Control for Quadrupedal TACtile-Informed LOCO-Manipulation [13.785492911693098]
  動的ロコ操作では、不確実な外力下での把握された物体との安定した物理的相互作用を維持しながら、脚のあるロボットが全身の動きを調整する必要がある。 触覚を付加した統合強化学習フレームワークであるTAC-LOCOを提案する。 We deploy the policy zero-shot on a Unitree Go2 with an Interbotix WidowX 250 arm and tactile gripper, showed dynamic tactile-informed loco-manipulation under various external interaction。
  論文  参考訳（メタデータ） (2026-07-11T05:45:24Z)
• SMASH: Mastering Scalable Whole-Body Skills for Humanoid Ping-Pong with Egocentric Vision [53.709632118234936]
  Methodnameはアジャイルなヒューマノイドテーブルテニスのためのモジュールシステムである。 これは、スケーラブルな全身スキル学習と、オンボードの自我中心の認識を統一する。 そこで本研究では,オンボードセンシングだけで連続的なストライクを行うことができる最初のヒューマノイドテーブルテニスシステムについて紹介する。
  論文  参考訳（メタデータ） (2026-04-01T17:11:52Z)
• OmniTrack: General Motion Tracking via Physics-Consistent Reference [54.256312586493415]
  OmniTrackは、一般的なモーショントラッキングから物理的実現可能性を明確に分離する一般的なトラッキングフレームワークである。 実験により、OmniTrackは追跡精度を向上し、目に見えない動きに対して強力な一般化を示すことが示された。 実世界のテストでは、OmniTrackは、フリップやカートホイールのような複雑なアクロバティックな動きを含む、1時間の長さ、一貫性、安定したトラッキングを実現している。
  論文  参考訳（メタデータ） (2026-02-27T09:12:15Z)
• Imitating What Works: Simulation-Filtered Modular Policy Learning from Human Videos [56.510263910611684]
  本研究では,様々な動作を行う前に物体をつかむタスクを包括的操作に対処する。 人間のビデオは、移植後の動作を学ぶための強力な信号を提供するが、必要な把握行動を学ぶのにはあまり役に立たない。 本稿では、人間の動画モーションデータを用いたモジュラー操作ポリシーをトレーニングするためのフレームワークであるPerceive-Simulate-Imitate(PSI)を提案する。
  論文  参考訳（メタデータ） (2026-02-13T18:59:10Z)
• PILOT: A Perceptive Integrated Low-level Controller for Loco-manipulation over Unstructured Scenes [18.916978556216097]
  PILOTは知覚的ロコ操作に適した単段階強化学習フレームワークである。 知覚的な移動と1つのポリシー内での全身制御をシナジー化する。 PILOTは、既存のベースラインと比較して、安定性、コマンド追跡精度、地形トラバーサビリティが優れている。
  論文  参考訳（メタデータ） (2026-01-24T12:25:20Z)
• CHIP: Adaptive Compliance for Humanoid Control through Hindsight Perturbation [70.5382178207975]
  hIsight Perturbation (CHIP)は、制御可能なエンドエフェクタ剛性を実現するプラグイン・アンド・プレイモジュールである。 CHIPの実装は簡単で、データ拡張も追加の報酬チューニングも必要ありません。 そこで本研究では,CHIPでトレーニングした汎用モーショントラッキングコントローラが,多種多様な操作タスクを実行できることを示す。
  論文  参考訳（メタデータ） (2025-12-16T18:56:04Z)
• SoftMimic: Learning Compliant Whole-body Control from Examples [10.040505865690498]
  我々は,人型ロボットの動作を例から学習するフレームワークであるSoftMimicを紹介した。 シミュレーションと実世界の実験により,環境との安全かつ効果的な相互作用を実証し,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2025-10-20T17:49:27Z)
• Dexplore: Scalable Neural Control for Dexterous Manipulation from Reference-Scoped Exploration [58.4036440289082]
  ハンドオブジェクトモーションキャプチャ(MoCap)は、大規模でコンタクトに富んだデモと、器用なロボットスコープの約束を提供する。 Dexploreは、リポジトリとトラッキングを実行し、MoCapから直接ロボット制御ポリシーを学習する、統一された単一ループ最適化である。
  論文  参考訳（メタデータ） (2025-09-11T17:59:07Z)
• 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)
• Humanoid Whole-Body Locomotion on Narrow Terrain via Dynamic Balance and Reinforcement Learning [54.26816599309778]
  動的バランスと強化学習(RL)に基づく新しい全身移動アルゴリズムを提案する。 具体的には,ZMP(Zero-Moment Point)駆動の報酬とタスク駆動の報酬を,全身のアクター批判的枠組みで拡張した尺度を活用することで,動的バランス機構を導入する。 フルサイズのUnitree H1-2ロボットによる実験により、非常に狭い地形でのバランスを維持するための手法の有効性が検証された。
  論文  参考訳（メタデータ） (2025-02-24T14:53:45Z)
• Learning Humanoid Standing-up Control across Diverse Postures [27.79222176982376]
  立ち上がり制御はヒューマノイドロボットにとって不可欠であり、現在の移動と移動操作システムに統合される可能性がある。 本稿では,立ち上がり制御をゼロから学習する強化学習フレームワークであるHoST(Humanoid Standing-up Control)を提案する。 実験結果から, 各種実験室および屋外環境におけるスムーズ, 安定, 頑健な立位運動が得られた。
  論文  参考訳（メタデータ） (2025-02-12T13:10:09Z)
• Moto: Latent Motion Token as the Bridging Language for Learning Robot Manipulation from Videos [64.48857272250446]
  我々はMotoを紹介する。Motoは、映像コンテンツをラテントモーションTokenizerでラテントモーションTokenシーケンスに変換する。 我々は、モーショントークンによるMoto-GPTの事前学習を行い、多様な視覚的動きの知識を捉えることができる。 実際のロボット動作に先立って学習した動きを転送するために、潜伏した動きのトークン予測と実際のロボット制御をシームレスにブリッジするコファインチューニング戦略を実装した。
  論文  参考訳（メタデータ） (2024-12-05T18:57:04Z)
• Agile and versatile bipedal robot tracking control through reinforcement learning [12.831810518025309]
  本稿では,二足歩行ロボットのための多目的コントローラを提案する。 足首と身体の軌跡を、単一の小さなニューラルネットワークを用いて広範囲の歩行で追跡する。 最小限の制御ユニットと高レベルなポリシーを組み合わせることで、高いフレキシブルな歩行制御を実現することができる。
  論文  参考訳（メタデータ） (2024-04-12T05:25:03Z)
• Modular Neural Network Policies for Learning In-Flight Object Catching with a Robot Hand-Arm System [55.94648383147838]
  本稿では,ロボットハンドアームシステムによる飛行物体の捕獲方法の学習を可能にするモジュラーフレームワークを提案する。 本フレームワークは,物体の軌跡予測を学習するオブジェクト状態推定器,(ii)捕捉対象のポーズのスコアとランク付けを学ぶキャッチポーズ品質ネットワーク,(iii)ロボットハンドをキャッチ前ポーズに移動させるように訓練されたリーチ制御ポリシ,(iv)ソフトキャッチ動作を行うように訓練された把握制御ポリシの5つのコアモジュールから構成される。 各モジュールと統合システムのシミュレーションにおいて、我々のフレームワークを広範囲に評価し、飛行における高い成功率を示す。
  論文  参考訳（メタデータ） (2023-12-21T16:20:12Z)
• Nonprehensile Planar Manipulation through Reinforcement Learning with Multimodal Categorical Exploration [8.343657309038285]
  強化学習はそのようなロボットコントローラを開発するための強力なフレームワークである。 分類分布を用いたマルチモーダル探索手法を提案する。 学習したポリシは外部の障害や観測ノイズに対して堅牢であり、複数のプッシュ器でタスクにスケールできることが示される。
  論文  参考訳（メタデータ） (2023-08-04T16:55:00Z)
• 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)
• An Adaptable Approach to Learn Realistic Legged Locomotion without Examples [38.81854337592694]
  本研究は,バネ装荷逆振り子モデルを用いて学習プロセスを導くことで,移動における現実性を保証するための汎用的アプローチを提案する。 モデルのない設定であっても、2足歩行ロボットと4足歩行ロボットに対して、学習したポリシーが現実的でエネルギー効率のよい移動歩行を生成できることを示す実験結果を示す。
  論文  参考訳（メタデータ） (2021-10-28T10:14:47Z)
• 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)

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。