論文の概要: ACLM: ADMM-Based Distributed Model Predictive Control for Collaborative Loco-Manipulation

• arxiv url: http://arxiv.org/abs/2603.07095v1
• Date: Sat, 07 Mar 2026 08:06:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.034943
• Title: ACLM: ADMM-Based Distributed Model Predictive Control for Collaborative Loco-Manipulation
• Title（参考訳）: ACLM:ADMMに基づく協調ロコ操作のための分散モデル予測制御
• Authors: Ziyi Zhou, Pengyuan Shu, Ruize Cao, Yuntian Zhao, Ye Zhao,
• Abstract要約: 重荷のロコ操作による共同輸送は、脚のあるロボットにとって難しいが必須の能力である。 本研究は,ロコマニピュレーションのための分散モデル予測制御フレームワークであるマルチプライアの交互方向法を提案する。
• 参考スコア（独自算出の注目度）: 9.708461585583791
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Collaborative transportation of heavy payloads via loco-manipulation is a challenging yet essential capability for legged robots operating in complex, unstructured environments. Centralized planning methods, e.g., holistic trajectory optimization, capture dynamic coupling among robots and payloads but scale poorly with system size, limiting real-time applicability. In contrast, hierarchical and fully decentralized approaches often neglect force and dynamic interactions, leading to conservative behavior. This study proposes an Alternating Direction Method of Multipliers (ADMM)-based distributed model predictive control framework for collaborative loco-manipulation with a team of quadruped robots with manipulators. By exploiting the payload-induced coupling structure, the global optimal control problem is decomposed into parallel individual-robot-level subproblems with consensus constraints. The distributed planner operates in a receding-horizon fashion and achieves fast convergence, requiring only a few ADMM iterations per planning cycle. A wrench-aware whole-body controller executes the planned trajectories, tracking both motion and interaction wrenches. Extensive simulations with up to four robots demonstrate scalability, real-time performance, and robustness to model uncertainty.
• Abstract（参考訳）: 重荷のロコ操作による共同輸送は、複雑な非構造環境で動作する脚付きロボットにとって難しいが必須の能力である。 全体軌道最適化のような集中型計画手法は、ロボットとペイロード間の動的結合を捉えるが、システムサイズに乏しく、リアルタイム適用性が制限される。 対照的に、階層的かつ完全に分散化されたアプローチは、しばしば力と動的相互作用を無視し、保守的な行動を引き起こす。 本研究では,4足歩行ロボットとマニピュレータを併用した協調ロコ操作のための,ADMMに基づく分散モデル予測制御フレームワークを提案する。 ペイロード誘起結合構造を利用して、大域的最適制御問題をコンセンサス制約付き並列個別ロボットレベルサブプロブレムに分解する。 分散プランナーは遅延水平方式で動作し、高速収束を実現し、計画サイクルあたりのADMMイテレーションはわずかである。 レンチを意識した全身制御装置は、計画された軌跡を実行し、動きと相互作用の両方のレンチを追跡する。 最大4つのロボットによる大規模なシミュレーションは、スケーラビリティ、リアルタイムパフォーマンス、不確実性をモデル化するための堅牢性を示す。

関連論文リスト

• ADMM-Based Distributed MPC with Control Barrier Functions for Safe Multi-Robot Quadrupedal Locomotion [3.5507574265100854]
  本稿では,制御障壁関数(CBF)を制約とした完全分散モデル予測制御(MPC)フレームワークを提案する。 提案するフレームワークは,四足歩行ロボットのための階層型移動制御アーキテクチャに統合される。
  論文  参考訳（メタデータ） (2026-03-19T17:25:33Z)
• Dual-Agent Multiple-Model Reinforcement Learning for Event-Triggered Human-Robot Co-Adaptation in Decoupled Task Spaces [3.349003999623489]
  本稿では,カスタム6自由度上肢ロボットのための共有制御型リハビリテーションポリシーを提案する。 患者は二進法で一次到達方向を制御し、ロボットは自律的に矯正動作を管理する。
  論文  参考訳（メタデータ） (2026-03-06T11:15:10Z)
• ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation [55.467742403416175]
  本稿では,大規模モーションキャプチャをヒューマノイドに変換する物理駆動型ニューラルネットワークを提案する。 我々は高密度参照とスパースタスク仕様の両方をサポートする統合マルチモーダルコントローラを学習する。 その結果,ULTRAは自我中心の知覚から,自律的,目標条件付き全体ロコ操作に一般化することが示された。
  論文  参考訳（メタデータ） (2026-03-03T18:59:29Z)
• Discrete-Guided Diffusion for Scalable and Safe Multi-Robot Motion Planning [56.240199425429445]
  マルチロボット運動計画(MPMP)は、共有された連続作業空間で動作する複数のロボットのための軌道を生成する。 離散マルチエージェント探索(MAPF)法は,その拡張性から広く採用されているが,粗い離散化の軌道品質は高い。 本稿では、制約付き生成拡散モデルを用いた離散MAPF解法を導入することにより、2つのアプローチの限界に対処する。
  論文  参考訳（メタデータ） (2025-08-27T17:59:36Z)
• RobotDiffuse: Motion Planning for Redundant Manipulator based on Diffusion Model [13.110235244912474]
  冗長マニピュレータは、キネマティック性能と汎用性の向上を提供する。 これらのマニピュレータの動作計画は、DOFの増加と複雑な動的環境のために困難である。 本稿では,冗長マニピュレータにおける運動計画のための拡散モデルに基づくロボットディフューズを提案する。
  論文  参考訳（メタデータ） (2024-12-27T07:34:54Z)
• 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)
• 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)
• Simultaneous Contact-Rich Grasping and Locomotion via Distributed Optimization Enabling Free-Climbing for Multi-Limbed Robots [60.06216976204385]
  移動, 把握, 接触問題を同時に解くための効率的な運動計画フレームワークを提案する。 ハードウェア実験において提案手法を実証し, より短い計画時間で, 傾斜角45degで自由クライミングを含む様々な動作を実現できることを示す。
  論文  参考訳（メタデータ） (2022-07-04T13:52:10Z)
• 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)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)

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。