論文の概要: Comparative Study on Agility, Efficiency, and Impact Absorption of Bipedal Robots with Active Toes

• arxiv url: http://arxiv.org/abs/2606.19699v1
• Date: Thu, 18 Jun 2026 01:50:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.60503
• Title: Comparative Study on Agility, Efficiency, and Impact Absorption of Bipedal Robots with Active Toes
• Title（参考訳）: 足指二足歩行ロボットの敏性, 効率, 衝撃吸収に関する比較研究
• Authors: Joong-Gil Kim, Wontae Ye, Geunwoo Cho, Seong-Ho Yun, Se-Hyoung Cho, Yong-Jae Kim,
• Abstract要約: 人間の足指の軽量で高トルクで頑健な性質を模擬した14-DOF二足歩行ロボットを提案する。 我々は,敏敏性,効率,衝撃吸収の観点から,アクティブな足指の有効性を定量的に分析した。
• 参考スコア（独自算出の注目度）: 0.7916635054977069
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Human legs exhibit high efficiency, agility, and impact absorption, with toes playing a crucial role in these capabilities. While many attempts have been made to implement human-like toes in robots, they have not fully replicated human characteristics nor rigorously validated their benefits. We propose a 14-DOF biped robot emulating human toes' lightweight, high-torque, robust nature. To quantitatively analyze the effectiveness of the active toes in terms of agility, efficiency, and impact absorption, we developed a high-fidelity simulation training environment that reflects actual actuators with coupled transmissions and accurate power consumption. To ensure a fair comparison between configurations with and without active toes, we designed a minimal RL reward function and applied an identical training procedure to both. The simulation results indicate that, at 1.33 m/s walking, the toe-equipped robot reduced CoT by 17.5% and heel-strike GRF by 5.0% compared with the toe-ablation configuration. On the agility test, average and maximum path deviation decreased by 25.0% and 34.0%, respectively.
• Abstract（参考訳）: ヒトの脚は高い効率性、敏敏性、衝撃吸収を示し、足指はこれらの能力において重要な役割を果たす。 人間の指をロボットに実装する試みは数多く行われているが、人間の特徴を完全に再現したり、その利点を厳格に検証したりはしていない。 人間の足指の軽量で高トルクで頑健な性質を模擬した14-DOF二足歩行ロボットを提案する。 本研究では, アクティブな足指の有効性を機敏性, 効率, 衝撃吸収の観点から定量的に解析するため, 実動アクチュエータを反映した高忠実度シミュレーション学習環境を構築した。 RL報酬関数を最小限に設計し,それぞれに同一のトレーニング手順を適用した。 シミュレーションの結果, 歩行速度1.33m/sでは, 足指装着ロボットがCoTを17.5%減らし, ヒールストライク GRFを5.0%減らした。 アジリティテストでは,平均経路偏差が25.0%,最大経路偏差が34.0%減少した。

関連論文リスト

• QuietWalk: Physics-Informed Reinforcement Learning for Ground Reaction Force-Aware Humanoid Locomotion Under Diverse Footwear [20.158952941798262]
  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。
  論文  参考訳（メタデータ） (2026-04-26T13:34:21Z)
• A Robotic Testing Platform for Pipelined Discovery of Resilient Soft Actuators [63.07587517846448]
  本稿では,DEA寿命をスキャンできる新しいテストロボットによって実現された最適化パイプラインを提案する。 ロボットは、電気機械特性測定、プログラム可能な電圧入力、マルチチャネルテスト能力を統合する。 これを用いて,入力電圧等級,周波数,電極物質濃度,電気接続フィラーなど,Elastosil系リニアアクチュエータの寿命を走査した。
  論文  参考訳（メタデータ） (2026-02-24T14:41:28Z)
• PvP: Data-Efficient Humanoid Robot Learning with Proprioceptive-Privileged Contrastive Representations [30.986538644112105]
  全体制御(WBC)は、ヒューマノイドロボットが動的環境において複雑なタスクを実行できるために不可欠である。 本稿では,固有受容的状態と特権的状態の相補性を生かした,プロプリオセプティブ・プリビレグ型コントラスト学習フレームワークを提案する。 SRL4Humanoidは,ヒューマノイドロボット学習のための代表状態表現学習法(SRL)の高品質な実装を提供する,初めての統一・モジュール化されたフレームワークである。
  論文  参考訳（メタデータ） (2025-12-15T08:50:20Z)
• Entropy-Controlled Intrinsic Motivation Reinforcement Learning for Quadruped Robot Locomotion in Complex Terrains [12.116524717676212]
  本稿では,PPOシリーズとは対照的なエントロピーに基づく強化学習アルゴリズムであるEntropy-Controlled Intrinsic Motivation (ECIM)を紹介する。 実験では、他のベースラインと平行にするため、アイザック・ガイムで6つの地形カテゴリに適用することにしました。 我々のモデルECIMは、四足歩行のための異なる地形間の安定性を向上し、同時にエネルギーコストを低減します。
  論文  参考訳（メタデータ） (2025-12-06T16:22:19Z)
• Physical Autoregressive Model for Robotic Manipulation without Action Pretraining [65.8971623698511]
  我々は、自己回帰ビデオ生成モデルを構築し、物理自己回帰モデル(PAR)を提案する。 PARは、アクション事前トレーニングを必要とせず、物理力学を理解するために、ビデオ事前トレーニングに埋め込まれた世界の知識を活用する。 ManiSkillベンチマークの実験は、PARがPushCubeタスクで100%の成功率を達成したことを示している。
  論文  参考訳（メタデータ） (2025-08-13T13:54:51Z)
• Learning Agile Soccer Skills for a Bipedal Robot with Deep Reinforcement Learning [26.13655448415553]
  Deep Reinforcement Learning (Deep RL)は、低コストでミニチュアなヒューマノイドロボットのための洗練された安全な運動スキルを合成することができる。 我々はDeep RLを使って、20個の関節を持つヒューマノイドロボットを訓練し、1対1(1v1)のサッカーゲームを単純化した。 結果として得られるエージェントは、急激な転倒回復、歩行、回転、蹴りなど、堅牢でダイナミックな動きのスキルを示す。
  論文  参考訳（メタデータ） (2023-04-26T16:25:54Z)
• GAT: Guided Adversarial Training with Pareto-optimal Auxiliary Tasks [73.88590165742721]
  本稿では,限られた訓練データの下で補助的なタスクを活用する新しい対人訓練手法を提案する。 本手法は, 対戦学習の最小値最適化において, シングルタスクモデルをマルチタスクモデルに拡張する。 我々は、ガイド付きマルチタスク学習が、モデルロバスト性の境界をさらに推し進めるために、実践的で有望な方法であることを実証する。
  論文  参考訳（メタデータ） (2023-02-06T16:23:24Z)
• Learning with Muscles: Benefits for Data-Efficiency and Robustness in Anthropomorphic Tasks [13.545245521356218]
  人間は、さまざまな動作において、堅牢性、汎用性、新しいタスクの学習という点でロボットより優れています。 我々は、高非線形筋力は、学習に好適な固有の安定性を提供する上で大きな役割を果たすと仮定する。
  論文  参考訳（メタデータ） (2022-07-08T15:16:38Z)
• Revisiting the Adversarial Robustness-Accuracy Tradeoff in Robot Learning [121.9708998627352]
  近年の研究では、現実的なロボット学習の応用において、対人訓練の効果が公平なトレードオフを起こさないことが示されている。 本研究は,ロボット学習におけるロバストネスと精度のトレードオフを再考し,最近のロバストトレーニング手法と理論の進歩により,現実のロボット応用に適した対人トレーニングが可能かどうかを解析する。
  論文  参考訳（メタデータ） (2022-04-15T08:12:15Z)
• Accelerating Robotic Reinforcement Learning via Parameterized Action Primitives [92.0321404272942]
  強化学習は汎用ロボットシステムの構築に使用することができる。 しかし、ロボット工学の課題を解決するためにRLエージェントを訓練することは依然として困難である。 本研究では,ロボット行動プリミティブ(RAPS)のライブラリを手動で指定し,RLポリシーで学習した引数をパラメータ化する。 動作インターフェースへの簡単な変更は、学習効率とタスクパフォーマンスの両方を大幅に改善する。
  論文  参考訳（メタデータ） (2021-10-28T17:59:30Z)
• Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
  この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。 コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。 その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
  論文  参考訳（メタデータ） (2021-01-26T16:01:02Z)

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。