論文の概要: Tightly-Coupled LiDAR-IMU-Leg Odometry with Online Learned Leg Kinematics Incorporating Foot Tactile Information
- arxiv url: http://arxiv.org/abs/2506.09548v1
- Date: Wed, 11 Jun 2025 09:28:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-13 06:35:02.808063
- Title: Tightly-Coupled LiDAR-IMU-Leg Odometry with Online Learned Leg Kinematics Incorporating Foot Tactile Information
- Title（参考訳）: 足触覚情報を組み込んだオンライン学習脚運動学を用いた高結合LiDAR-IMU-Legオドメトリー
- Authors: Taku Okawara, Kenji Koide, Aoki Takanose, Shuji Oishi, Masashi Yokozuka, Kentaro Uno, Kazuya Yoshida,
- Abstract要約: 我々は,ニューラルレッグキネマティクスモデルという,オンライン学習に基づく脚キネマティクスモデルを開発した。
このモデルのオンライントレーニングにより,ロボットの荷重変化への適応性が向上する。
本手法は, テクトチュラル脚運動学モデルにより, 最先端の作業より優れる。
- 参考スコア（独自算出の注目度）: 14.810220124050982
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this letter, we present tightly coupled LiDAR-IMU-leg odometry, which is robust to challenging conditions such as featureless environments and deformable terrains. We developed an online learning-based leg kinematics model named the neural leg kinematics model, which incorporates tactile information (foot reaction force) to implicitly express the nonlinear dynamics between robot feet and the ground. Online training of this model enhances its adaptability to weight load changes of a robot (e.g., assuming delivery or transportation tasks) and terrain conditions. According to the \textit{neural adaptive leg odometry factor} and online uncertainty estimation of the leg kinematics model-based motion predictions, we jointly solve online training of this kinematics model and odometry estimation on a unified factor graph to retain the consistency of both. The proposed method was verified through real experiments using a quadruped robot in two challenging situations: 1) a sandy beach, representing an extremely featureless area with a deformable terrain, and 2) a campus, including multiple featureless areas and terrain types of asphalt, gravel (deformable terrain), and grass. Experimental results showed that our odometry estimation incorporating the \textit{neural leg kinematics model} outperforms state-of-the-art works. Our project page is available for further details: https://takuokawara.github.io/RAL2025_project_page/
- Abstract（参考訳）: 本稿では,LiDAR-IMU-leg odometry を密結合させ,特徴のない環境や変形可能な地形などの困難条件に対して頑健であることを示す。
我々は,ロボットの足と地面の間の非線形ダイナミクスを暗黙的に表現するために,触覚情報(足反力)を組み込んだニューラルネットワークモデルを開発した。
このモデルのオンライントレーニングは、ロボットの重量負荷変化(例えば、配送や輸送のタスクを仮定する)と地形条件への適応性を高める。
脚運動モデルに基づく動作予測のオンライン不確実性評価とtextit{neural Adaptive leg odometry factor} によれば、この運動モデルのオンライントレーニングと、両モデルの整合性を維持するために統一因子グラフ上での計測推定を共同で解決する。
提案手法は, 四足歩行ロボットを用いた実実験により, 2つの困難な状況下で検証した。
1)変形可能な地形を持つ非常に特徴のない地域を表す砂浜
2) アスファルト、砂利(変形可能な地形)、草など、複数の特徴のない地域や地形を含むキャンパス。
実験結果より,<textit{neural leg kinematics model</textit{neural leg kinematics model</textit{neural leg kinematics model</textit{neural leg kinematics model</textit</textit{neural leg kinematics model</textit</textit{neural leg kinematics model</text></textit{neural leg kinematics model</text></textit{neural kinematics model</textit</textit</textit</textit>を組み込んだオドメトリクスの精度は高いことがわかった。
私たちのプロジェクトページは、詳細は以下の通りである。
関連論文リスト
- Spatial-Temporal Graph Diffusion Policy with Kinematic Modeling for Bimanual Robotic Manipulation [88.83749146867665]
既存のアプローチは、遠く離れた次のベストなエンドエフェクタのポーズを予測するポリシーを学びます。
すると、運動に対する対応する関節回転角を逆運動学を用いて計算する。
本稿では,Kinematics 拡張空間テンポアル gRaph diffuser を提案する。
論文 参考訳（メタデータ） (2025-03-13T17:48:35Z) - MonoForce: Learnable Image-conditioned Physics Engine [1.03590082373586]
そこで本研究では,車載カメラ画像から,荒れたオフロード地形におけるロボット軌道の予測モデルを提案する。
提案したハイブリッドモデルは,ロボットとテランの相互作用力とニューラル・シンボリック・レイヤとの相互作用力を予測するブラックボックス・コンポーネントを統合する。
この微分性は、高速なシミュレーション速度とともに、様々な用途に適している。
論文 参考訳（メタデータ） (2025-02-14T13:36:00Z) - Online Calibration of a Single-Track Ground Vehicle Dynamics Model by Tight Fusion with Visual-Inertial Odometry [8.165828311550152]
視覚的慣性眼圧計(VIO)を用いた車輪付き地上車両の単トラックダイナミックスモデルに厳密に融合する新しいアプローチST-VIOを提案する。
提案手法は,将来的な制御入力における前方予測の精度を向上させるために,動的モデルをオンラインで校正し,適応する。
論文 参考訳（メタデータ） (2023-09-20T08:50:30Z) - Kinematics-aware Trajectory Generation and Prediction with Latent Stochastic Differential Modeling [12.338614299403305]
軌道生成と軌道予測は自動運転における重要な課題である。
深層学習に基づく手法は、様々な交通シナリオを学習する上で、これらの2つのタスクに大きな可能性を示してきた。
しかし、生成/予測された軌道が物理的に現実的であることを保証するためには、これらの手法が依然として難しい問題である。
論文 参考訳（メタデータ） (2023-09-17T16:06:38Z) - Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。
物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。
本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
論文 参考訳（メタデータ） (2022-10-13T10:00:30Z) - Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse
Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。
学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
論文 参考訳（メタデータ） (2022-09-07T15:15:12Z) - STAR: Sparse Transformer-based Action Recognition [61.490243467748314]
本研究は,空間的次元と時間的次元に細かな注意を払っている新しいスケルトンに基づく人間行動認識モデルを提案する。
実験により、トレーニング可能なパラメータをはるかに少なくし、トレーニングや推論の高速化を図りながら、モデルが同等のパフォーマンスを達成できることが示されている。
論文 参考訳（メタデータ） (2021-07-15T02:53:11Z) - Contact and Human Dynamics from Monocular Video [73.47466545178396]
既存のディープモデルは、ほぼ正確に見えるエラーを含むビデオから2Dと3Dキネマティックのポーズを予測する。
本稿では,最初の2次元と3次元のポーズ推定を入力として,映像系列から3次元の人間の動きを推定する物理に基づく手法を提案する。
論文 参考訳（メタデータ） (2020-07-22T21:09:11Z) - Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。
グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。
我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文 参考訳（メタデータ） (2020-02-21T16:44:28Z)
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。