論文の概要: Humanoid Robot Running Through Random Stepping Stones and Jumping Over Obstacles: Step Adaptation Using Spring-Mass Trajectories
- arxiv url: http://arxiv.org/abs/2512.13304v1
- Date: Mon, 15 Dec 2025 13:22:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:40.355188
- Title: Humanoid Robot Running Through Random Stepping Stones and Jumping Over Obstacles: Step Adaptation Using Spring-Mass Trajectories
- Title（参考訳）: ランダムなステッピング石を走り、障害物を飛び越えるヒューマノイドロボット:スプリングマス軌道を用いたステップ適応
- Authors: Sait Sovukluk, Johannes Englsberger, Christian Ott,
- Abstract要約: 本研究では,バネ質量軌道とデッドビート制御ゲインライブラリを走らせるためのステップ適応フレームワークを提案する。
さまざまな挑戦的かつアジャイルな行動を通じて、提案されたフレームワークの包括性と堅牢性を示します。
- 参考スコア（独自算出の注目度）: 8.311340839361359
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This study proposes a step adaptation framework for running through spring-mass trajectories and deadbeat control gain libraries. It includes four main parts: (1) Automatic spring-mass trajectory library generation; (2) Deadbeat control gain library generation through an actively controlled template model that resembles the whole-body dynamics well; (3) Trajectory selection policy development for step adaptation; (4) Mapping spring-mass trajectories to a humanoid model through a whole-body control (WBC) framework also accounting for closed-kinematic chain systems, self collisions, and reactive limb swinging. We show the inclusiveness and the robustness of the proposed framework through various challenging and agile behaviors such as running through randomly generated stepping stones, jumping over random obstacles, performing slalom motions, changing the running direction suddenly with a random leg, and rejecting significant disturbances and uncertainties through the MuJoCo physics simulator. We also perform additional simulations under a comprehensive set of uncertainties and noise to better justify the proposed method's robustness to real-world challenges, including signal noise, imprecision, modeling errors, and delays. All the aforementioned behaviors are performed with a single library and the same set of WBC control parameters without additional tuning. The spring-mass and the deadbeat control gain library are automatically computed in 4.5 seconds in total for 315 different trajectories.
- Abstract（参考訳）: 本研究では,バネ質量軌道とデッドビート制御ゲインライブラリを走らせるためのステップ適応フレームワークを提案する。
1) 自動スプリングマス軌跡ライブラリ生成,(2) デッドビート制御ゲインライブラリ生成,(3) ステップ適応のための軌道選択ポリシー開発,(4) 全身制御(WBC)フレームワークによるヒューマノイドモデルへのスプリングマス軌跡マッピング, クローズドキネマティックチェーンシステム, 自己衝突, 反応脚揺動などを含む。
提案手法の包括性と頑健性は,無作為なステップストーンを走ったり,ランダムな障害物を飛び越えたり,スラローム動作を行ったり,ランダムな脚で突然の走行方向を変えたり,MuJoCoの物理シミュレータによる重大な乱れや不確実性を拒否したりといった,様々な困難かつアジャイルな行動を通じて示される。
また,信号ノイズ,不正確性,モデル誤差,遅延などの実世界の課題に対する提案手法の頑健性を改善するため,包括的不確実性とノイズの集合の下でさらなるシミュレーションを行う。
上記の動作はすべて、1つのライブラリと、追加のチューニングなしで同じWBC制御パラメータセットで実行される。
スプリング質量とデッドビート制御ゲインライブラリは、315の異なる軌道に対して4.5秒で自動的に計算される。
関連論文リスト
- Spatially-Aware Adaptive Trajectory Optimization with Controller-Guided Feedback for Autonomous Racing [74.83272587893508]
本稿では,NURBSに基づく軌道表現,CMA-ESグローバル軌道最適化,コントローラ誘導空間フィードバックを組み合わせた自律レースライン最適化フレームワークを提案する。
シミュレーションでは,最大静的加速度をパラメータ化したコントローラと比較して17.38%のラップタイム短縮を実現している。
高摩擦から低摩擦まで様々なタイヤ化合物で試験された実ハードウェアでは、摩擦を明示的にパラメータ化することなく、7.60%のラップタイムの改善が得られる。
論文 参考訳（メタデータ） (2026-02-17T15:10:44Z) - Dual-quaternion learning control for autonomous vehicle trajectory tracking with safety guarantees [39.146761527401424]
運動を運動論的に記述できる自律型ロボットプラットフォームのための学習型軌道追跡制御器を提案する。
コントローラは二重四元数フレームワークで定式化され、角速度と直線速度の直接の指令を仮定して速度レベルで動作する。
論文 参考訳（メタデータ） (2026-01-06T15:30:02Z) - MULE: Multi-terrain and Unknown Load Adaptation for Effective Quadrupedal Locomotion [1.479858319622657]
四足歩行ロボットは、様々な地形にまたがる荷積み作業にますます利用されている。
本研究では,四足歩行ロボットが様々なペイロードと多様な地形に適応できる適応強化学習フレームワークを提案する。
提案手法はIsaac Gymの大規模シミュレーション実験と,Unitree Go1の4倍体上での実際のハードウェア展開により検証する。
論文 参考訳（メタデータ） (2025-05-01T12:41:35Z) - Action Flow Matching for Continual Robot Learning [54.10050120844738]
ロボット工学における継続的な学習は、変化する環境やタスクに常に適応できるシステムを求める。
本稿では,オンラインロボット力学モデルアライメントのためのフローマッチングを利用した生成フレームワークを提案する。
ロボットは,不整合モデルで探索するのではなく,行動自体を変換することで,より効率的に情報収集を行う。
論文 参考訳（メタデータ） (2025-04-25T16:26:15Z) - Integrating DeepRL with Robust Low-Level Control in Robotic Manipulators for Non-Repetitive Reaching Tasks [0.24578723416255746]
ロボット工学では、現代の戦略は学習に基づくもので、複雑なブラックボックスの性質と解釈可能性の欠如が特徴である。
本稿では, 深部強化学習(DRL)に基づく衝突のない軌道プランナと, 自動調整型低レベル制御戦略を統合することを提案する。
論文 参考訳（メタデータ） (2024-02-04T15:54:03Z) - Tuning Legged Locomotion Controllers via Safe Bayesian Optimization [47.87675010450171]
本稿では,ロボットハードウェアプラットフォームにおけるモデルベースコントローラの展開を効率化するための,データ駆動型戦略を提案する。
モデルフリーな安全な学習アルゴリズムを用いて制御ゲインのチューニングを自動化し、制御定式化で使用される単純化されたモデルと実システムとのミスマッチに対処する。
論文 参考訳（メタデータ） (2023-06-12T13:10:14Z) - Trace and Pace: Controllable Pedestrian Animation via Guided Trajectory
Diffusion [83.88829943619656]
本研究では,現実的な歩行者軌跡生成手法と,ユーザ定義目標を達成するために制御可能なフルボディアニメーションを提案する。
我々のガイド付き拡散モデルでは,対象とする経路,速度,特定社会集団による軌道の制約が可能である。
本稿では,アニメーションコントローラのRLトレーニング中に学習した値関数を用いて,拡散を誘導し,特定のシナリオに適した軌道を生成することを提案する。
論文 参考訳（メタデータ） (2023-04-04T15:46:42Z) - VAE-Loco: Versatile Quadruped Locomotion by Learning a Disentangled Gait
Representation [78.92147339883137]
本研究では,特定の歩行を構成する主要姿勢位相を捕捉する潜在空間を学習することにより,制御器のロバスト性を高めることが重要であることを示す。
本研究では,ドライブ信号マップの特定の特性が,歩幅,歩幅,立位などの歩行パラメータに直接関係していることを示す。
生成モデルを使用することで、障害の検出と緩和が容易になり、汎用的で堅牢な計画フレームワークを提供する。
論文 参考訳（メタデータ） (2022-05-02T19:49:53Z) - Learning Provably Robust Motion Planners Using Funnel Libraries [6.671201304858938]
本稿では,新しい環境下での成功の確率論的保証を伴う運動プランナの学習方法を提案する。
一般化理論と頑健な制御からツールをまとめることにより、これを実現する。
2つのシミュレートされた例に対して強い保証を提供するためのアプローチの能力を実証する。
論文 参考訳（メタデータ） (2021-11-16T19:11:18Z) - RLOC: Terrain-Aware Legged Locomotion using Reinforcement Learning and
Optimal Control [6.669503016190925]
四元計画と制御のためのモデルベースとデータ駆動の統一的アプローチを提案する。
センサ情報と所望のベース速度コマンドを、強化学習ポリシーを用いて足踏み計画にマッピングする。
我々は、複雑な四足歩行システムであるANYmal Bの枠組みを訓練し、再訓練を必要とせず、より大きく重いロボットであるANYmal Cへの移動性を示す。
論文 参考訳（メタデータ） (2020-12-05T18:30:23Z)
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。