論文の概要: SplitAdapter: Load-Aware Humanoid Loco-Manipulation via Factorized Adaptation
- arxiv url: http://arxiv.org/abs/2606.03297v1
- Date: Tue, 02 Jun 2026 08:10:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-03 22:00:04.855268
- Title: SplitAdapter: Load-Aware Humanoid Loco-Manipulation via Factorized Adaptation
- Title（参考訳）: SplitAdapter:Factized Adaptationによる負荷対応ヒューマノイドロコマニピュレーション
- Authors: Jeonguk Kang, Hanbyel Cho, Sanghyun Kang, Donghan Koo,
- Abstract要約: textbfSplitAdapter: Factorized Adaptationによる負荷対応ヒューマノイドロコマニピュレーションを提案する。
SplitAdapterは、事前訓練されたボックス操作ポリシーを凍結し、オブジェクト/ロードと動的に認識されるコンテキストエンコーダで拡張する。
sim-to-sim実験と実世界展開において、SplitAdapterは、基本ポリシーと世界モデルのFiLMベースラインを2ドル、4ドル、6ドルkg、ピックアップ/配置高さ0ドル、30ドル、60ドルcmでフルタスクの成功を改善する。
- 参考スコア（独自算出の注目度）: 3.8265249634979734
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Humanoid loco-manipulation requires stable whole-body control under varying object masses and pickup/placement heights. This becomes particularly challenging in sim-to-real transfer, where object-induced load variation and robot-side dynamics mismatch interact during physical contact. Existing history-based adapters often compress these factors into a single latent representation, which can weaken robustness under heavy-load manipulation. We propose \textbf{SplitAdapter: Load-Aware Humanoid Loco-Manipulation via Factorized Adaptation}, which freezes a pretrained box manipulation policy and extends it with object/load and dynamics-aware context encoders trained with split world-model objectives, GRL-based cross-adversarial regularization, and hierarchical Feature-wise Linear Modulation (FiLM). In sim-to-sim experiments and real-world deployment, SplitAdapter improves Full-task success over the base policy and world-model FiLM baselines across object masses of $2$, $4$, and $6$ kg and pickup/placement heights of $0$, $30$, and $60$ cm, with the largest improvements under heavy-load conditions.
- Abstract（参考訳）: ヒューマノイド・ロコ・マニピュレーションは、様々な物体質量とピックアップ・配置高さの下で安定した全身制御を必要とする。
これは、物体が引き起こす負荷変動とロボット側の動的ミスマッチが物理的接触中に相互作用するシム・トゥ・リアル・トランスファーにおいて特に困難になる。
既存の履歴ベースのアダプタは、これらの因子を単一の潜在表現に圧縮することが多く、重負荷操作時の堅牢性を弱める可能性がある。
本研究では、事前学習したボックス操作ポリシーを凍結し、オブジェクト/ロードと動的に認識されるコンテキストエンコーダで拡張し、世界モデルの分割、GRLベースのクロス逆正則化、階層的特徴量線形変調(FiLM)を提案する。
sim-to-sim実験と実世界の展開において、SplitAdapterは、基本ポリシーと世界モデルのFiLMベースラインを2ドル、4ドル、6ドルkg、ピックアップ・プレースメント高さ0ドル、30ドル、60ドルといったオブジェクトマスでフルタスクで改善し、重量負荷条件下で最大の改善を実現した。
関連論文リスト
- GenerativeMPC: VLM-RAG-guided Whole-Body MPC with Virtual Impedance for Bimanual Mobile Manipulation [2.061143628317803]
双方向のモバイル操作は、ハイレベルなセマンティック推論と安全で準拠した物理的相互作用のシームレスな統合を必要とする。
本稿では,双方向移動マニピュレータの物理的制御パラメータによる意味的シーン理解を橋渡しする階層型サイバー物理フレームワークであるGenerativeMPCを提案する。
論文 参考訳（メタデータ） (2026-04-21T14:44:38Z) - ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation [55.467742403416175]
本稿では,大規模モーションキャプチャをヒューマノイドに変換する物理駆動型ニューラルネットワークを提案する。
我々は高密度参照とスパースタスク仕様の両方をサポートする統合マルチモーダルコントローラを学習する。
その結果,ULTRAは自我中心の知覚から,自律的,目標条件付き全体ロコ操作に一般化することが示された。
論文 参考訳（メタデータ） (2026-03-03T18:59:29Z) - 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) - Scalable Surface-Based Manipulation Through Modularity and Inter-Module Object Transfer [0.0]
ロボット表面(Roboic Surfaces, RMS)は、物体が休んでいる表面を変形させて物体を操作する。
きめ細かい制御を達成するには、スケーラビリティを制限した高密度アクチュエータアレイが必要になります。
本稿では,相互接続されたファブリックベースモジュール間の協調したモジュール間オブジェクト転送と正確な位置決めを実現する多モジュールソフト操作プラットフォームを提案する。
論文 参考訳（メタデータ） (2026-01-29T15:46:50Z) - DexNDM: Closing the Reality Gap for Dexterous In-Hand Rotation via Joint-Wise Neural Dynamics Model [22.46947045094797]
我々は,シミュレーションで訓練された単一ポリシーを,現実世界のさまざまな対象や条件に一般化することのできる,新しいフレームワークを開発した。
単一のポリシーは、複雑な形状(例えば動物)、高いアスペクト比(最大5.33)、小さなサイズで挑戦対象を回転させることに成功した。
論文 参考訳（メタデータ） (2025-10-09T17:59:11Z) - ForceVLA: Enhancing VLA Models with a Force-aware MoE for Contact-rich Manipulation [62.58034332427291]
ForceVLAは、新しいエンドツーエンド操作フレームワークである。
外部力センシングは、VLAシステム内の第一級のモダリティとして扱う。
論文 参考訳（メタデータ） (2025-05-28T09:24:25Z) - FLARE: Robot Learning with Implicit World Modeling [87.81846091038676]
$textbfFLARE$は、予測潜在世界モデリングをロボットポリシー学習に統合する。
$textbfFLARE$は最先端のパフォーマンスを実現し、これまでのポリシー学習のベースラインを最大26%上回っている。
この結果は、暗黙の世界モデリングと高周波ロボット制御を組み合わせた汎用的でスケーラブルなアプローチとして$textbfFLARE$を確立した。
論文 参考訳（メタデータ） (2025-05-21T15:33:27Z) - 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) - Sim-to-Real Reinforcement Learning for Vision-Based Dexterous Manipulation on Humanoids [56.892520712892804]
本稿では,ヒューマノイドロボットを訓練して3つの巧妙な操作を行う,実用的なシミュレート・トゥ・リアルなRLレシピを提案する。
未確認のオブジェクトやロバストで適応的な政策行動に対して高い成功率を示す。
論文 参考訳（メタデータ） (2025-02-27T18:59:52Z) - 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)
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。