論文の概要: ADAPT: Analytical Disturbance-Aware Policy Training for Humanoid Locomotion
- arxiv url: http://arxiv.org/abs/2606.16542v1
- Date: Mon, 15 Jun 2026 10:47:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:34.463031
- Title: ADAPT: Analytical Disturbance-Aware Policy Training for Humanoid Locomotion
- Title（参考訳）: ADAPT:Humanoid Locomotionのための分析的外乱認識政策トレーニング
- Authors: Bofan Lyu, Jindou Jia, Kuangji Zuo, Yanshuo Lu, Shijia Han, Gen Li, Boyu Ma, Jingliang Li, Geng Li, Jianfei Yang,
- Abstract要約: ADAPT(Analytical disturbance-Aware Policy Training)は、人型政策を物理的に根拠のある外乱オブザーバーに装備する枠組みである。
ADAPTは、力/トルクセンサーを必要とせずに、ロボットのダイナミックスを使って、オンラインで残留力/トルクを推定する。
- 参考スコア（独自算出の注目度）: 21.269965799228576
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Humanoids deployed in human-centered environments must handle force-interactive tasks, where external contacts introduce unexpected disturbances that disrupt locomotion accuracy and stability. Existing learning-based approaches rely on broad domain randomization, task-specific force objectives, or learning-based force estimators from motion history, each of which compromises accuracy, task transferability, or out-of-distribution (OOD) robustness. We present Analytical Disturbance-Aware Policy Training (ADAPT), a framework that equips humanoid policies with a physically grounded disturbance observer. The core of ADAPT is an analytical whole-body disturbance observer that estimates residual force/torque online with the accessible robot dynamics, without requiring force/torque sensors. Fed directly into the policy, the estimated disturbances give the humanoid an explicit, physics-derived sense of external force/torque that can generalize across diverse unseen scenes. Experiments on a Unitree G1 humanoid show that ADAPT achieves accurate disturbance prediction and stronger robustness than a proprioception-only baseline under torso perturbations, standing pushes, and asymmetric hand payloads, with improved velocity tracking even on OOD disturbances. Moreover, ADAPT enables penalizing inferred disturbances at lower-body joints to encourage lighter locomotion.
- Abstract（参考訳）: 人間中心の環境で展開されるヒューマノイドは、運動の正確さと安定性を損なう予期せぬ障害を外部の接触者が引き起こす、力と相互作用するタスクを処理しなければならない。
既存の学習ベースのアプローチは、広範囲なドメインのランダム化、タスク固有の力の目標、あるいはモーション履歴からの学習ベースの力の推定に頼っており、それぞれが正確さ、タスク転送可能性、およびアウト・オブ・ディストリビューション(OOD)の堅牢性を損なう。
本稿では,人為的政策と身体的根拠を持つ外乱オブザーバを備えた枠組みであるADAPT(Analytical disturbance-Aware Policy Training)を提案する。
ADAPTのコアは分析的な全身外乱オブザーバであり、力/トルクセンサーを必要とせずに、オンラインで残力/トルクをロボットのダイナミックスで推定する。
ポリシーに直接従えば、推定された乱れにより、ヒューマノイドは、様々な目に見えないシーンをまたがって一般化できる、明白で物理学に基づく外部力/トルクの感覚を与える。
ユニトリーG1ヒューマノイドを用いた実験では、ADAPTは胴体摂動、立方プッシュ、非対称ハンドペイロードの下でのプロプレセプションのみのベースラインよりも正確な外乱予測と強靭性を実現し、OOD障害でも速度トラッキングが改善された。
さらに、ADAPTはより軽い移動を促進するために、下半身関節における推論外乱をペナライズすることができる。
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) - 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) - Interaction-Aware Whole-Body Control for Compliant Object Transport [33.233203393813376]
本稿では,人工小脳として機能する対話指向型全身制御(IO-WBC)を提案する。
IO-WBCは上流(スキルレベル)のコマンドを、接触中の安定した物理的に一貫した全身動作に変換する。
論文 参考訳（メタデータ） (2026-03-04T05:50:40Z) - 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) - GentleHumanoid: Learning Upper-body Compliance for Contact-rich Human and Object Interaction [14.278503723930998]
GentleHumanoidは、インピーダンス制御を全身のモーショントラッキングポリシーに統合し、上半身のコンプライアンスを実現するフレームワークである。
我々は,Unitree G1ヒューマノイドとシミュレーションの両方において,異なるレベルのコンプライアンスを必要とするタスクに対するアプローチを評価した。
論文 参考訳（メタデータ） (2025-11-06T18:59:33Z) - AdvGrasp: Adversarial Attacks on Robotic Grasping from a Physical Perspective [4.428272932902862]
本稿では,身体的視点からロボットグルーピングに対する敵対的攻撃を行うフレームワークであるAdvGraspを紹介する。
物体の形状を変形させることにより、重力トルクを増大させ、レンチ空間の安定性の限界を減少させることにより、把握性能を損なう対向物体を生成する。
論文 参考訳（メタデータ） (2025-07-14T01:48:42Z) - 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) - TRiPOD: Human Trajectory and Pose Dynamics Forecasting in the Wild [77.59069361196404]
TRiPODは、グラフの注目ネットワークに基づいて身体のダイナミクスを予測する新しい方法です。
実世界の課題を取り入れるために,各フレームで推定された身体関節が可視・視認可能かどうかを示す指標を学習する。
評価の結果,TRiPODは,各軌道に特化して設計され,予測タスクに特化している。
論文 参考訳（メタデータ） (2021-04-08T20:01:00Z)
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。