論文の概要: Inverse Resistive Force Theory (I-RFT): Learning granular properties through robot-terrain physical interactions
- arxiv url: http://arxiv.org/abs/2603.07796v1
- Date: Sun, 08 Mar 2026 20:30:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:42.072175
- Title: Inverse Resistive Force Theory (I-RFT): Learning granular properties through robot-terrain physical interactions
- Title（参考訳）: 逆抵抗力理論(I-RFT):ロボットとテランの物理的相互作用による粒度特性の学習
- Authors: Shipeng Liu, Feng Xue, Yifeng Zhang, Tarunika Ponnusamy, Feifei Qian,
- Abstract要約: 物理インフォームド機械学習フレームワークである逆抵抗力理論(Inverse Resistive Force Theory, I-RFT)を導入し、地形特性を推定する。
I-RFTは、様々な動きプリミティブをまたいだ一般化を可能にしながら、物理的整合性を保つ。
I-RFTは、複数の歩行軌跡とつま先形状の地形特性を正確に推定する。
- 参考スコア（独自算出の注目度）: 7.397755522601659
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: For robots to navigate safely and efficiently on soft, granular terrains, it is crucial to gather information about the terrain's mechanical properties, which directly affect locomotion performance. Recent research has developed robotic legs that can accurately sense ground reaction forces during locomotion. However, existing tests of granular property estimation often rely on specific foot trajectories, such as vertical penetration or horizontal shear, limiting their applicability during natural locomotion. To address this limitation, we introduce a physics-informed machine learning framework, Inverse Resistive Force Theory (I-RFT), which integrates the Granular Resistive Force Theory model with Gaussian Processes to infer terrain properties from proprioceptively measured contact forces under arbitrary gait trajectories. By embedding the granular force model within the learning process, I-RFT preserves physical consistency while enabling generalization across diverse motion primitives. Experimental results demonstrate that I-RFT accurately estimates terrain properties across multiple gait trajectories and toe shapes. Moreover, we show that the quantified uncertainty over the terrain resistance stress map could enable robots to optimize foot design and gait trajectories for efficient information gathering. This approach establishes a new foundation for data-efficient characterization of complex granular environments and opens new avenues for locomotion strategies that actively adapt gait for autonomous terrain exploration.
- Abstract（参考訳）: ロボットがソフトで粒状の地形を安全に効率的に移動するためには、移動性能に直接影響を及ぼす地形の機械的特性に関する情報を集めることが不可欠である。
近年の研究では、移動中の地面反応力を正確に感知するロボット脚が開発されている。
しかし、既存の粒状特性推定試験は、垂直貫入や水平せん断などの特定の足跡に依存し、自然移動時の適用性を制限していることが多い。
この制限に対処するため, 任意の歩行軌跡下での固有接触力から地形特性を推定するために, グラニュラ抵抗力理論モデルとガウス過程を統合した物理インフォームド・機械学習・フレームワーク, Inverse Resistive Force Theory (I-RFT)を導入する。
学習プロセスに粒度の力モデルを埋め込むことで、I-RFTは様々な動きプリミティブをまたいだ一般化を可能にしながら、物理的な一貫性を保ちます。
実験の結果,I-RFTは複数の歩行軌跡と足の形状の地形特性を正確に推定できることがわかった。
さらに,地形抵抗応力マップに対する定量的不確実性により,ロボットが足の設計と歩行軌跡を最適化し,効率的な情報収集を可能にすることを示す。
このアプローチは、複雑な粒状環境をデータ効率で評価するための新しい基盤を確立し、自律的な地形探査のために歩行を積極的に適応する移動戦略のための新しい道を開く。
関連論文リスト
- RoboForge: Physically Optimized Text-guided Whole-Body Locomotion for Humanoids [20.796118584632904]
自然言語と全身移動を橋渡しする統合潜在駆動型フレームワークを提案する。
我々のフレームワークは、テキスト誘導型ヒューマノイドインテリジェンスをデプロイするための実践的なパスを提供する。
論文 参考訳（メタデータ） (2026-03-18T17:02:56Z) - When Rolling Gets Weird: A Curved-Link Tensegrity Robot for Non-Intuitive Behavior [0.6372261626436676]
本研究では,半円形で湾曲した張力ロボットによる解を提案する。
このロボットは、効率的なローリングロコモーションと制御された安定性のバランスを保ち、アークエンドポイントにおける不連続によって実現される。
予備的な衝撃試験では、引張構造の固有の衝撃吸収能力と適合性を強調している。
論文 参考訳（メタデータ） (2026-03-17T13:30:33Z) - Terrain characterization and locomotion adaptation in a small-scale lizard-inspired robot [0.2770822269241973]
多様な基板に適応可能な小型でインテリジェントなLizard-inspireed, Adaptive Robot (SILA Bot) を開発した。
本研究では, 最適物体運動パターンをパラメータ化し, 線形関数として近似できることを示す。
また、簡単な線形フィードバック制御器を設計し、身体の位相を変調し、未知の深さで地形の性能を大幅に改善する。
論文 参考訳（メタデータ） (2026-03-06T02:44:59Z) - MeshMimic: Geometry-Aware Humanoid Motion Learning through 3D Scene Reconstruction [54.36564144414704]
MeshMimicは、3Dシーンの再構築とインテリジェンスを組み込んだ革新的なフレームワークで、ヒューマノイドロボットがビデオから直接「モーション・テライン」インタラクションを学習できるようにする。
現状の3次元視覚モデルを活用することで、我々のフレームワークは、人間の軌跡と基礎となる地形や物体の3次元幾何学の両方を正確にセグメント化し再構築する。
論文 参考訳（メタデータ） (2026-02-17T17:09:45Z) - Physics-Grounded Motion Forecasting via Equation Discovery for Trajectory-Guided Image-to-Video Generation [54.42523027597904]
物理グラウンド映像予測のためのシンボル回帰と軌跡誘導映像(I2V)モデルを統合する新しいフレームワークを提案する。
提案手法は,入力ビデオから運動軌跡を抽出し,検索に基づく事前学習機構を用いて記号回帰を向上し,運動方程式を発見し,物理的に正確な将来の軌跡を予測する。
論文 参考訳（メタデータ） (2025-07-09T13:28:42Z) - 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) - MotionTrack: Learning Motion Predictor for Multiple Object Tracking [68.68339102749358]
本研究では,学習可能なモーション予測器を中心に,新しいモーショントラッカーであるMotionTrackを紹介する。
実験結果から、MotionTrackはDancetrackやSportsMOTといったデータセット上での最先端のパフォーマンスを示す。
論文 参考訳（メタデータ） (2023-06-05T04:24:11Z) - MSTFormer: Motion Inspired Spatial-temporal Transformer with
Dynamic-aware Attention for long-term Vessel Trajectory Prediction [0.6451914896767135]
MSTFormer は Transformer に基づく動きインスパイアされた容器軌道予測手法である。
軌道の空間的特徴と運動特徴を記述するためのデータ拡張手法を提案する。
第2に,頻繁な動き変換を伴う軌道点に着目したマルチヘッド動的自己認識機構を提案する。
第三に、モデルの性能をさらに向上させるために、知識にインスパイアされた損失関数を構築する。
論文 参考訳（メタデータ） (2023-03-21T02:11:37Z) - Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。
連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。
我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
論文 参考訳（メタデータ） (2021-11-15T18:50:04Z) - 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)
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。