論文の概要: QuietWalk: Physics-Informed Reinforcement Learning for Ground Reaction Force-Aware Humanoid Locomotion Under Diverse Footwear
- arxiv url: http://arxiv.org/abs/2604.23702v1
- Date: Sun, 26 Apr 2026 13:34:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:07.508177
- Title: QuietWalk: Physics-Informed Reinforcement Learning for Ground Reaction Force-Aware Humanoid Locomotion Under Diverse Footwear
- Title（参考訳）: QuietWalk: 物理インフォームド強化学習による地中反応力-多足歩行下でのヒューマノイドロコモーションの認識
- Authors: Hanze Hu, Luying Feng, Silu Chen, Tianjiang Zheng, Dexin Jiang, Wei Chen, Chi Zhang, Guilin Yang, Yaochu Jin,
- Abstract要約: 物理インフォームド強化学習フレームワークQuietWalkについて紹介する。
保持された実ロボットデータセットでは、逆力学一貫性の強制により、垂直 GRF 予測誤差は 82%-86% 削減される。
1.2m/sのハードウェアでは、QuietWalkは平均A重み付きノイズレベルを7.17dB、ピークノイズレベルを4.98dB削減する。
- 参考スコア（独自算出の注目度）: 20.158952941798262
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Humanoid robots operating in human-centered environments (e.g., homes, hospitals, and offices) must mitigate foot--ground impact transients, as impact-induced vibration and noise degrade user experience and repeated impacts accelerate hardware wear. However, existing low-noise locomotion training often relies on kinematic proxy objectives or fragile force sensors, and footwear-induced changes in contact dynamics introduce distribution shifts that hinder policy generalization.We present QuietWalk, a physics-informed reinforcement learning framework for ground-reaction-force-aware humanoid locomotion under diverse footwear conditions. QuietWalk employs an inverse-dynamics-constrained physics-informed neural network (PINN) to estimate per-foot vertical ground reaction forces (GRFs) from proprioceptive signals, and integrates the frozen predictor into the RL training loop to penalize predicted impact forces without requiring force sensors at deployment.On a held-out real-robot dataset, enforcing inverse-dynamics consistency reduces vertical GRF prediction errors by 82%-86% compared with a purely supervised predictor and improves the coefficient of determination from 0.39/0.67 to 0.99/0.99 for the left/right feet. On hardware at 1.2 m/s (barefoot; averaged over four floor materials), QuietWalk reduces mean A-weighted noise level by 7.17 dB and peak noise level by 4.98 dB under a consistent recording setup. Cross-footwear experiments (barefoot, skate shoes, athletic sneakers, and high heels) across multiple surfaces further demonstrate robust adaptation to footwear-induced contact variations.
- Abstract（参考訳）: 人間中心の環境(家、病院、オフィスなど)で動くヒューマノイドロボットは、衝撃による振動やノイズによるユーザー体験の低下や、繰り返し発生するハードウェアの摩耗の加速など、足場衝撃の過渡性を軽減する必要がある。
しかし, 既存の低騒音運動訓練は, 運動のプロキシや脆弱な力センサに頼っていることが多く, 接触動態の変化は, 政策の一般化を妨げる分布変化をもたらし, 多様な履物条件下での地動反力認識型ヒューマノイド運動のための物理インフォーム強化学習フレームワークQuietWalkを提示する。
QuietWalkは、逆動的に制約された物理インフォームドニューラルネットワーク(PINN)を使用して、プロバイオセプティブ信号からフィート当たりの垂直接地反応力(GRF)を推定し、凍結予測器をRLトレーニングループに統合して、配置時に力センサを必要とせず、予測された衝撃力をペナライズする。
1.2m/sのハードウェアでは、QuietWalkは平均A重み付きノイズレベルを7.17dB、ピークノイズレベルを4.98dB、一貫した記録設定で減少させる。
複数の面にまたがるクロスフットウェアの実験(裸足、スケートシューズ、運動用スニーカー、ハイヒール)は、履物が引き起こす接触の変化に頑丈な適応を示す。
関連論文リスト
- Learn Weightlessness: Imitate Non-Self-Stabilizing Motions on Humanoid Robot [56.377161933570335]
人間は自然に非自己安定化(NSS)運動中に「無重力」状態を利用する。
この生物学的メカニズムに着想を得て,データセットのアノテーションに対する無重力自動ラベル方式を提案する。
我々の研究は、正確な軌道追跡と適応的な環境相互作用のギャップを埋め、接触リッチなヒューマノイド制御のための生物学的にインスパイアされたソリューションを提供する。
論文 参考訳（メタデータ） (2026-04-23T07:10:05Z) - Bipedal-Walking-Dynamics Model on Granular Terrains [14.386787371962987]
二足歩行ロボットは砂のような非構造環境において高い俊敏性と移動性を示した。
グラニュラーメディア上でのバイペダルウォーキングの移動を捉え予測するための新しい動的モデリング手法を提案する。
論文 参考訳（メタデータ） (2026-04-13T19:12:22Z) - Neural Assistive Impulses: Synthesizing Exaggerated Motions for Physics-based Characters [13.307372537282333]
インパルスニューラルコントロール(インパルスニューラルコントロール、英: Impulse Neural Control)は、数値安定性を確保するために、インパルス空間の外部補助を強制空間ではなく再構成するフレームワークである。
我々の手法は、高度にアジャイルで、動的に実現不可能な操作のロバストな追跡を可能にすることを実証する。
論文 参考訳（メタデータ） (2026-04-07T03:47:14Z) - Dynamic Modeling and Attitude Control of a Reaction-Wheel-Based Low-Gravity Bipedal Hopper [0.0]
ホッピング・ロコモーションは エネルギー効率が高いが 飛行中の姿勢不安定になりやすい
本稿では,内輪を用いた不動二足歩行ロボットによる姿勢制御について述べる。
提案手法は,月の重力条件下でのMuJoCoシミュレーションで評価される。
論文 参考訳（メタデータ） (2026-03-11T11:35:21Z) - Perceptive Humanoid Parkour: Chaining Dynamic Human Skills via Motion Matching [77.28042137892943]
本稿では,人間型ロボットの長期的視覚的パーキングを自律的に行うためのモジュール型フレームワークであるPerceptive Humanoid Parkour(PHP)を提案する。
本研究は、これらの合成動作に対する運動追跡強化学習専門家の政策を訓練し、それらを深度に基づく多スキル学生政策に抽出する。
我々は,Unitree G1ヒューマノイドロボットを用いた実世界実験により,我々のフレームワークを検証した。
論文 参考訳（メタデータ） (2026-02-17T18:59:11Z) - UniForce: A Unified Latent Force Model for Robot Manipulation with Diverse Tactile Sensors [51.88112610411651]
そこで本研究では,多様な触覚センサにまたがる共用潜在力空間を学習する,新しい統合された触覚表現学習フレームワークを提案する。
UniForceは、逆ダイナミクス(image-to-force)とフォワードダイナミクス(force-to-image)を共同モデリングすることで、クロスセンサー領域シフトを低減する
高価な外部力/トルクセンサ(F/T)への依存を避けるため,静的平衡を利用して直接センサ・オブジェクト・センサ・インタラクションを介して力対効果データを収集する。
論文 参考訳（メタデータ） (2026-02-01T11:03:01Z) - Walk the PLANC: Physics-Guided RL for Agile Humanoid Locomotion on Constrained Footholds [20.44610499489492]
二足歩行ロボットは、制約された足場に移動する際にバランス、タイミング、接触決定を調整する必要がある。
本稿では,低次ステッピングプランナが動的に一貫した運動目標を供給できるロコモーションフレームワークを提案する。
この構造化されたステップ計画とデータ駆動型適応の組み合わせは、ヒューマノイドロボット上で正確で、アジャイルで、ハードウェアで検証されたステップストーンの移動を生み出す。
論文 参考訳（メタデータ） (2026-01-09T19:56:42Z) - RobotDancing: Residual-Action Reinforcement Learning Enables Robust Long-Horizon Humanoid Motion Tracking [50.200035833530876]
RobotDancingはシンプルでスケーラブルなフレームワークで、残留する関節の目標を予測して、ダイナミックスの不一致を明示的に修正する。
複数分間の高エネルギー動作(ジャンプ、スピン、カートホイール)をトラッキングし、高いモーショントラッキング品質のハードウェアにゼロショットをデプロイする。
論文 参考訳（メタデータ） (2025-09-25T03:30:34Z) - Humanoid Whole-Body Locomotion on Narrow Terrain via Dynamic Balance and Reinforcement Learning [54.26816599309778]
動的バランスと強化学習(RL)に基づく新しい全身移動アルゴリズムを提案する。
具体的には,ZMP(Zero-Moment Point)駆動の報酬とタスク駆動の報酬を,全身のアクター批判的枠組みで拡張した尺度を活用することで,動的バランス機構を導入する。
フルサイズのUnitree H1-2ロボットによる実験により、非常に狭い地形でのバランスを維持するための手法の有効性が検証された。
論文 参考訳（メタデータ） (2025-02-24T14:53:45Z) - Learning Low-Frequency Motion Control for Robust and Dynamic Robot
Locomotion [10.838285018473725]
実ANYmal C四重極上で8Hzの低速動作を行う学習モーションコントローラを用いて,ロバストでダイナミックな移動を実演する。
このロボットは、1.5m/sの高速度を頑健かつ反復的に達成し、不均一な地形を横切ることができ、予期せぬ外乱に抵抗することができる。
論文 参考訳（メタデータ） (2022-09-29T15:55:33Z)
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。