論文の概要: Learning Dynamic Pick-and-Place for a Legged Manipulator

• arxiv url: http://arxiv.org/abs/2605.15713v1
• Date: Fri, 15 May 2026 08:04:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 17:44:16.309722
• Title: Learning Dynamic Pick-and-Place for a Legged Manipulator
• Title（参考訳）: 片足マニピュレータの動的ピック・アンド・プレイス学習
• Authors: Moonkyu Jung, Jiseong Lee, Zhengmao He, Donghoon Youm, Juhyeok Mun, HyeongJun Kim, Hyunsik Oh, Donghyuk Choi, Jungwoo Hur, Jie Song, Jemin Hwangbo,
• Abstract要約: 本研究では,6-DOFロボットアームを装備した四足歩行を用いた動的ピック・アンド・プレイス作業のための階層的強化学習フレームワークを提案する。 シミュレーションでは、最大2.3kgまでのペイロードで86.05%の成功率を達成した。 地上レベルから1.1mの高さまで幅広い垂直ワークスペースにおいて、このシステムは最大1.3kgまでのペイロードに対して平均73.3%の成功率を示す。
• 参考スコア（独自算出の注目度）: 8.027246382283003
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Legged manipulators extend robotic capabilities beyond static manipulation by integrating agile locomotion with versatile arm control. However, achieving precise manipulation while maintaining coordinated locomotion remains a major challenge. This work presents a hierarchical reinforcement learning framework for dynamic pick-and-place tasks using a quadruped equipped with a 6-DOF robotic arm. The framework incorporates an explicit mass estimation module enabling adaptive whole-body control for objects with varying weights. In simulation, the system achieves an 86.05% success rate with payloads up to 2.3 kg. The approach is further validated through real-world experiments across six representative scenarios with controlled variations in object physical properties (size and mass) and task heights. Specifically, within a wide vertical workspace ranging from ground level to 1.1~m-high tabletops, the system demonstrates an average success rate of 73.3% for payloads up to 1.3 kg, with an average execution time of 4.06 s. Unlike prior works that handle lightweight objects and execute pick-and-place motions with slow, piecewise motions, the proposed framework exploits concurrent locomotion and manipulation for dynamic, continuous execution. These results demonstrate the potential of quadrupedal mobile manipulators for adaptive, whole-body pick-and-place with heavier payloads and extended workspaces.
• Abstract（参考訳）: 脚のマニピュレータは、アジャイルロコモーションと多用途アームコントロールを統合することで、静的操作を超えてロボット機能を拡張する。 しかし、協調移動を維持しながら正確な操作を実現することは大きな課題である。 本研究では,6-DOFロボットアームを装備した四足歩行を用いた動的ピック・アンド・プレイス作業のための階層的強化学習フレームワークを提案する。 このフレームワークは、様々な重みを持つオブジェクトに対して適応的な全身制御を可能にする明示的な質量推定モジュールを備えている。 シミュレーションでは、最大2.3kgまでのペイロードで86.05%の成功率を達成した。 このアプローチは、オブジェクトの物理的特性(サイズと質量)とタスクの高さを制御した6つの代表的なシナリオにわたる実世界の実験によってさらに検証される。 具体的には、地上レベルから1.1～mのタブレットトップまで幅広い垂直ワークスペースにおいて、最大1.3kgまでのペイロードの平均成功率は73.3%であり、平均実行時間は4.06秒である。 軽量オブジェクトを処理し、スローかつピースワイズな動作でピック・アンド・プレイス動作を実行する以前の作業とは異なり、提案するフレームワークは動的かつ連続的な実行のために同時動作と操作を利用する。 これらの結果は,より重いペイロードと拡張ワークスペースを備えた適応型全体ピック・アンド・プレイスのための四足歩行マニピュレータの可能性を示している。

関連論文リスト

• Dynamics Aware Quadrupedal Locomotion via Intrinsic Dynamics Head [0.5672132510411465]
  本研究では,制御政策が物理力学の理解と推論を可能にする四足歩行訓練フレームワークを提案する。 シミュレーションでは,制御ポリシとともに状態とトルクのダイナミクスを学習する内在的ダイナミクス(ID)ヘッドを同時に訓練する。 この機構は, より効率的でスムーズなポリシーを導出し, 四足歩行報酬を多岐にわたる標準的四足歩行報酬にまたがる収束を促進させることを示す。
  論文  参考訳（メタデータ） (2026-05-02T03:50:54Z)
• Towards Multi-Object Nonprehensile Transportation via Shared Teleoperation: A Framework Based on Virtual Object Model Predictive Control [10.537871858773375]
  遠隔操作における多目的非包括輸送は、同時軌道追跡とトレイ配向制御を必要とする。 本研究では,人間とロボットが位置決め制御を共有し,ロボットが動的制約を満たすために自律的に向きを管理する,共有遠隔操作フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-08T10:43:34Z)
• ROS 2-Based LiDAR Perception Framework for Mobile Robots in Dynamic Production Environments, Utilizing Synthetic Data Generation, Transformation-Equivariant 3D Detection and Multi-Object Tracking [33.72751145910978]
  本フレームワークは,合成データ学習時変3次元検出と多目的追跡センターポーズを統合した。 全体としては、スタンドアローンのポーズ推定で62.6%のユニオンのインターセクションが得られ、マルチオブジェクト追跡統合で83.12%まで上昇した。
  論文  参考訳（メタデータ） (2026-04-02T14:45:12Z)
• Load-Aware Locomotion Control for Humanoid Robots in Industrial Transportation Tasks [19.55626538861657]
  本稿では、疎結合で協調的なロコ操作アーキテクチャに基づく産業用ヒューマノイドの負荷対応ロコモーションフレームワークを提案する。 下半身移動は、運動学的に派生した名目構成に残留的な関節動作を生じる強化学習ポリシーを介して制御される。 このフレームワークは完全にシミュレーションで訓練され、微調整なしでフルサイズのヒューマノイドロボットにデプロイされる。
  論文  参考訳（メタデータ） (2026-03-15T09:57:32Z)
• HAIC: Humanoid Agile Object Interaction Control via Dynamics-Aware World Model [56.4392302336014]
  本稿では,外部状態推定を伴わない多種多様なオブジェクトダイナミクス間のロバストな相互作用のためのフレームワークであるHAICを提案する。 我々の重要な貢献は、主観的歴史のみから高次対象状態(速度、加速度)を推定するダイナミクス予測器である。 ヒューマノイドロボットの実験では、HAICはアジャイルタスクで高い成功率を達成する。
  論文  参考訳（メタデータ） (2026-02-12T09:34:35Z)
• CHIP: Adaptive Compliance for Humanoid Control through Hindsight Perturbation [70.5382178207975]
  hIsight Perturbation (CHIP)は、制御可能なエンドエフェクタ剛性を実現するプラグイン・アンド・プレイモジュールである。 CHIPの実装は簡単で、データ拡張も追加の報酬チューニングも必要ありません。 そこで本研究では,CHIPでトレーニングした汎用モーショントラッキングコントローラが,多種多様な操作タスクを実行できることを示す。
  論文  参考訳（メタデータ） (2025-12-16T18:56:04Z)
• SONIC: Supersizing Motion Tracking for Natural Humanoid Whole-Body Control [85.91101551600978]
  モデルキャパシティ,データ,計算のスケールアップにより,自然かつ堅牢な体の動きを生成できる汎用的なヒューマノイドコントローラが得られることを示す。 我々は、ネットワークサイズ、データセットボリューム、計算の3つの軸に沿ってスケーリングすることで、モーショントラッキングのための基礎モデルを構築します。 本研究では,(1)動作追跡を下流タスク実行にブリッジし,自然かつインタラクティブな制御を可能にするリアルタイムユニバーサルキネマティックプランナ,(2)様々な動作入力インタフェースをサポートする統一トークン空間の2つのメカニズムにより,モデルの実用性を示す。
  論文  参考訳（メタデータ） (2025-11-11T04:37:40Z)
• 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)
• Rethinking Bimanual Robotic Manipulation: Learning with Decoupled Interaction Framework [51.39847596489193]
  バイオマチックなロボット操作は、ロボティクスコミュニティにおいて、新しくて重要なトピックである。 本稿では,バイマニュアル操作における異なるタスクの特徴を考察した,疎結合なインタラクションフレームワークを提案する。 我々のフレームワークは,SOTA法よりも23.5%向上し,優れた性能を実現している。
  論文  参考訳（メタデータ） (2025-03-12T09:28:41Z)
• 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)
• Reinforcement Learning for Robust Parameterized Locomotion Control of Bipedal Robots [121.42930679076574]
  シミュレーションにおけるロコモーションポリシをトレーニングするためのモデルフリー強化学習フレームワークを提案する。 ドメインランダム化は、システムダイナミクスのバリエーションにまたがる堅牢な振る舞いを学ぶためのポリシーを奨励するために使用されます。 本研究では、目標歩行速度、歩行高さ、旋回ヨーなどの多目的歩行行動について示す。
  論文  参考訳（メタデータ） (2021-03-26T07:14:01Z)

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。