論文の概要: MorphoGuard: A Morphology-Based Whole-Body Interactive Motion Controller
- arxiv url: http://arxiv.org/abs/2604.01517v1
- Date: Thu, 02 Apr 2026 01:13:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-03 14:21:10.181552
- Title: MorphoGuard: A Morphology-Based Whole-Body Interactive Motion Controller
- Title（参考訳）: MorphoGuard: モーフォロジーに基づく全体対話型モーションコントローラ
- Authors: Chenjin Wang, Zheng Yan, Yanmin Zhou, Runjie Shen, Bin He,
- Abstract要約: 本研究では,任意の接触の組み合わせを明示的に管理する新しい制御手法を提案する。
我々は、自己構築型デュアルアーム物理・シミュレーションプラットフォームで訓練された形態制約型WBCネットワーク(MorphoGuard)を開発した。
実験の結果,提案手法は約1cmの接触点管理誤差を達成し,全身対話制御の有効性を示した。
- 参考スコア（独自算出の注目度）: 8.867753335261563
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Whole-body control (WBC) has demonstrated significant advantages in complex interactive movements of high-dimensional robotic systems. However, when a robot is required to handle dynamic multi-contact combinations along a single kinematic chain-such as pushing open a door with its elbow while grasping an object-it faces major obstacles in terms of complex contact representation and joint configuration coupling. To address this, we propose a new control approach that explicitly manages arbitrary contact combinations, aiming to endow robots with whole-body interactive capabilities. We develop a morphology-constrained WBC network (MorphoGuard)-which is trained on a self-constructed dual-arm physical and simulation platform. A series of model recommendation experiments are designed to systematically investigate the impact of backbone architecture, fusion strategy, and model scale on network performance. To evaluate the control performance, we adopt a multi-object interaction task as the benchmark, requiring the model to simultaneously manipulate multiple target objects to specified positions. Experimental results show that the proposed method achieves a contact point management error of approximately 1 cm, demonstrating its effectiveness in whole-body interactive control.
- Abstract（参考訳）: 全身制御(WBC)は、高次元ロボットシステムの複雑な対話動作において、大きな利点を示している。
しかし, 複雑な接触表現や関節構成結合の観点から, 物体を掴みながらドアを肘で押すなど, 単一のキネマティックチェーンに沿った動的多接触結合をロボットが扱わなければならない場合, 複雑な接触表現や関節構成結合といった大きな障害に直面している。
そこで本研究では,ロボットに全身対話機能を持たせることを目的とした,任意の接触の組み合わせを明示的に管理する新しい制御手法を提案する。
我々は、自己構築型デュアルアーム物理・シミュレーションプラットフォームで訓練された形態制約型WBCネットワーク(MorphoGuard)を開発した。
一連のモデルレコメンデーション実験は、バックボーンアーキテクチャ、融合戦略、モデルスケールがネットワーク性能に与える影響を体系的に調査するために設計されている。
制御性能を評価するため,マルチオブジェクトインタラクションタスクをベンチマークとして採用し,複数のターゲットオブジェクトを所定の位置に同時に操作する必要がある。
実験の結果,提案手法は約1cmの接触点管理誤差を達成し,全身対話制御の有効性を示した。
関連論文リスト
- Efficient and Compliant Control Framework for Versatile Human-Humanoid Collaborative Transportation [2.4087148947930634]
本稿では,ヒューマノイドロボットが人間のパートナーと共同で移動作業を行うための制御フレームワークを提案する。
このフレームワークは翻訳運動と回転運動の両方をサポートしており、これは同時輸送のシナリオの基本である。
高レベルプランナー、低レベルコントローラ、剛性調節機構の3つのコンポーネントから構成される。
論文 参考訳（メタデータ） (2025-12-08T18:52:10Z) - Learning Video Generation for Robotic Manipulation with Collaborative Trajectory Control [72.00655365269]
本稿では,協調的軌跡定式化を通じてオブジェクト間ダイナミクスをモデル化する新しいフレームワークであるRoboMasterを紹介する。
オブジェクトを分解する従来の方法とは異なり、我々のコアは、相互作用プロセスを3つのサブステージ(相互作用前、相互作用後、相互作用後)に分解することである。
提案手法は既存の手法よりも優れており,ロボット操作のための軌道制御ビデオ生成における最先端性能を確立している。
論文 参考訳（メタデータ） (2025-06-02T17:57:06Z) - InterControl: Zero-shot Human Interaction Generation by Controlling Every Joint [67.6297384588837]
関節間の所望距離を維持するために,新しい制御可能な運動生成手法であるInterControlを導入する。
そこで本研究では,既成の大規模言語モデルを用いて,ヒューマンインタラクションのための結合ペア間の距離を生成できることを実証した。
論文 参考訳（メタデータ） (2023-11-27T14:32:33Z) - V-MAO: Generative Modeling for Multi-Arm Manipulation of Articulated
Objects [51.79035249464852]
本稿では,音声による物体のマルチアーム操作を学習するためのフレームワークを提案する。
本フレームワークは,各ロボットアームの剛部上の接触点分布を学習する変動生成モデルを含む。
論文 参考訳（メタデータ） (2021-11-07T02:31:09Z) - Articulated Object Interaction in Unknown Scenes with Whole-Body Mobile
Manipulation [16.79185733369416]
未知の環境下における大型関節オブジェクトとの自律的相互作用のための2段階アーキテクチャを提案する。
第1段階は学習モデルを用いて、RGB-D入力から対象物の調音モデルを推定し、相互作用のための状態の動作条件列を予測する。
第2段階は、生成した運動計画に沿ってオブジェクトを操作する全身運動制御装置からなる。
論文 参考訳（メタデータ） (2021-03-18T21:32:18Z) - Learning Physical Constraints with Neural Projections [16.09436906471513]
そこで我々は,ニューラルネットワークの新たなファミリーを提案し,その基盤となる制約を学習することによって,物理系の振る舞いを予測する。
ニューラルネットワークのプロジェクション演算子は,組込み再帰アーキテクチャを備えた軽量ネットワークで構成されたアプローチの中心に位置する。
我々は,一貫した簡単な方法で,一組の物理的システムを学習することで,我々のアプローチの有効性を実証した。
論文 参考訳（メタデータ） (2020-06-23T04:19:04Z)
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。