論文の概要: PRIME: Physically-consistent Robotic Inertial and Motion Estimation for Legged and Humanoid Robots
- arxiv url: http://arxiv.org/abs/2605.17681v1
- Date: Sun, 17 May 2026 22:43:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:48.393942
- Title: PRIME: Physically-consistent Robotic Inertial and Motion Estimation for Legged and Humanoid Robots
- Title（参考訳）: PRIME:足とヒューマノイドロボットの物理的に一貫性のある慣性・運動推定
- Authors: Jiarong Kang, Kunzhao Ren, Tao Pang, Xiaobin Xiong,
- Abstract要約: 本研究では,実世界の展開において,車載キネマティクスから正確な動き推定を可能にするPRIMEを提案する。
提案手法は,滑らかな相補性制約とAnitescuスタイルの摩擦モデルを備えた異種接触力学を取り入れたものである。
PRIMEは、大規模な振る舞いモデリングやロボット基礎モデルなど、下流学習アプリケーションに高品質なデータを提供するように調整することができる。
- 参考スコア（独自算出の注目度）: 6.944742823560998
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Humanoid and legged robots interact with the environment through intermittent contacts, making accurate motion estimation fundamentally dependent on reasoning about contact dynamics. However, standard sensing pipelines-whether based on onboard proprioception with Extended Kalman Filters (EKFs) or external motion capture systems-recover only kinematics, while contact forces, contact timing, and inertial parameters remain unobserved. As a result, purely kinematic reconstructions often violate rigid-body dynamics, particularly during contact-rich motions. To enable accurate motion estimation from onboard kinematics in real-world deployment, we propose PRIME (Physically-consistent Robotic Inertial and Motion Estimation), a Maximum A Posteriori (MAP) formulation that refines measured kinematics and actuator commands into a dynamically consistent trajectory while jointly estimating frictional contact forces and physically consistent inertial parameters. Our approach incorporates differentiable contact dynamics with smoothed complementarity constraints and an Anitescu-style friction model, yielding a smooth optimization problem that remains tractable across versatile contact transitions. We evaluate PRIME on contact-rich locomotion with quadrupedal robots and the Unitree G1 humanoid, demonstrating improved trajectory consistency and accurate inertial parameter identification. Beyond improving state estimation and feedback control with calibrated inertial parameters, PRIME produces force- and contact-annotated motion reconstructions from real robots in deployment, which can be used to provide high-quality data for downstream learning applications, including large-scale behavior modeling and robot foundation models.
- Abstract（参考訳）: 人型ロボットと足型ロボットは、間欠的な接触を通して環境と相互作用し、接触ダイナミクスの推論に基本的に依存する正確な動き推定を行う。
しかし、拡張カルマンフィルタ(EKFs)と外部モーションキャプチャシステムによるオンボードプロバイオセプションに基づく標準センシングパイプラインは、キネマティクスのみを回収する一方で、接触力、接触タイミング、慣性パラメータは未観測のままである。
結果として、純粋にキネマティックな再構築は、特に接触に富む運動において、剛体力学に反することが多い。
実世界展開における車載キネマティクスからの正確な動作推定を実現するために, 摩擦接触力と物理的に一貫した慣性パラメータを共同で推定しながら, 運動量とアクチュエータ指令を動的に一貫した軌道に洗練する最大Aポストエリオーリ(MAP)式であるPRIME(Physically-consistent Robotic Inertial and Motion Estimation)を提案する。
提案手法は,滑らかな相補性制約とAnitescuスタイルの摩擦モデルを備えた異種接触力学を応用し,多種接触遷移をトラクタブルに保ったスムーズな最適化問題を導出する。
本研究では,四足歩行ロボットとUnitree G1ヒューマノイドを用いたコンタクトリッチ移動におけるPRIMEの評価を行い,軌道の整合性の向上と慣性パラメータの正確な同定を行った。
慣性パラメータの校正による状態推定とフィードバック制御の改善に加えて、PRIMEは実際のロボットから、大規模動作モデリングやロボット基礎モデルを含む下流学習アプリケーションに高品質なデータを提供するために、実際のロボットから力および接触アノテートされた動作再構成を生成する。
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) - Consistency-Driven Dual LSTM Models for Kinematic Control of a Wearable Soft Robotic Arm [33.333272339511446]
本稿では,ウェアラブルデバイスに組み込まれた空気圧作動式ロボットアームの前方および逆運動学を正確に学習するための一貫性駆動型デュアルLSTMフレームワークを提案する。
この手法は, アクティベーション入力とエンドエフェクタ位置の1対1マッピング問題に対処しながら, ソフト空気圧アクチュエータの非線形およびヒステリックな挙動を効果的に捉えている。
論文 参考訳（メタデータ） (2026-03-18T12:51:12Z) - SPARK: Skeleton-Parameter Aligned Retargeting on Humanoid Robots with Kinodynamic Trajectory Optimization [9.553570391005257]
人間の動きは、汎用的なヒューマノイド制御ポリシーを訓練するための豊富な事前情報を提供するが、生のデモンストレーションはロボットの運動学や力学と相容れないことが多い。
タスク空間の人的データから自然および動的に実行可能な動作参照を生成するための2段階パイプラインを提案する。
論文 参考訳（メタデータ） (2026-03-12T03:03:14Z) - OmniTrack: General Motion Tracking via Physics-Consistent Reference [54.256312586493415]
OmniTrackは、一般的なモーショントラッキングから物理的実現可能性を明確に分離する一般的なトラッキングフレームワークである。
実験により、OmniTrackは追跡精度を向上し、目に見えない動きに対して強力な一般化を示すことが示された。
実世界のテストでは、OmniTrackは、フリップやカートホイールのような複雑なアクロバティックな動きを含む、1時間の長さ、一貫性、安定したトラッキングを実現している。
論文 参考訳（メタデータ） (2026-02-27T09:12:15Z) - Physical Human-Robot Interaction for Grasping in Augmented Reality via Rigid-Soft Robot Synergy [43.680646123465316]
ハイブリッド剛性ソフトロボットは、剛性マニピュレータの精度とソフトアームの適合性と適応性を組み合わせる。
本稿では,ハイブリッドソフトロボットの遠隔操作を可能にする,拡張現実(AR)ベースの物理ロボットインタラクションフレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-19T06:56:47Z) - System Identification under Constraints and Disturbance: A Bayesian Estimation Approach [5.58001571731715]
本稿では,ロボットの状態軌跡と物理パラメータを高精度に推定するためのベイズシステム同定(SysID)フレームワークを提案する。
物理的に一貫した逆ダイナミクス、接触とループ閉鎖の制約を組み込んでおり、関節摩擦モデルを完全にハードでステージワイドな等式制約として特徴付ける。
論文 参考訳（メタデータ） (2026-02-18T10:45:30Z) - 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) - Towards Immersive Human-X Interaction: A Real-Time Framework for Physically Plausible Motion Synthesis [51.95817740348585]
Human-Xは、様々な実体をまたいだ没入的で物理的に妥当なヒューマンインタラクションを可能にするために設計された、新しいフレームワークである。
本手法は, 自己回帰型反応拡散プランナを用いて, リアルタイムに反応と反応を同時予測する。
我々のフレームワークは、人間とロボットのインタラクションのための仮想現実インターフェースを含む、現実世界のアプリケーションで検証されている。
論文 参考訳（メタデータ） (2025-08-04T06:35:48Z) - 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) - 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)
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。