論文の概要: Hardware Design for Table Tennis Robot Capable of Beating Professional Players

• arxiv url: http://arxiv.org/abs/2606.26643v1
• Date: Thu, 25 Jun 2026 06:14:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.183434
• Title: Hardware Design for Table Tennis Robot Capable of Beating Professional Players
• Title（参考訳）: プロ選手を倒せる卓上テニスロボットのハードウェア設計
• Authors: Nobuhiko Mukai, Pavel Adodin, Stefan Heusser, Alexander Sigrist, Divij Grover, Guillem Torrente, Farshad Khadivar, Takekazu Kakinuma, Peter Dürr,
• Abstract要約: 本稿では,卓球ロボットがプロ選手を倒すために必要なハードウェア仕様に焦点を当てる。 エリート選手の動きを分析した後、作業空間、ペイロード、外部力抵抗、物理的性能、サービス能力、エンドエフェクタ精度の目標仕様を定義した。 これらの仕様に基づき,カスタム8-DoFロボット「エース」を開発した。
• 参考スコア（独自算出の注目度）: 32.40740138722726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper focuses on the hardware specifications required for a table tennis robot to beat professional players. After analyzing the motions of elite players, we defined target specifications for the workspace, payload, external-force resistance, physical performance, serve capability, and end-effector accuracy. Based on these specifications, we developed "Ace", a custom 8-DoF robot. The mechanical structure was improved through topology optimization to minimize mass while preserving stiffness. Motor and gearbox selection was optimized using an inverse-dynamics torque model. Low-order per-joint dynamics models with delay compensation were identified and integrated into simulation to enable the use of an RL control policy. Experiments demonstrated repeated full-stroke swings with a cycle time of 0.8 s and a peak racket-center velocity of 22 m/s. The robot successfully defeated multiple professional players.
• Abstract（参考訳）: 本稿では,卓球ロボットがプロ選手を倒すために必要なハードウェア仕様に焦点を当てる。 エリート選手の動きを分析した後、作業空間、ペイロード、外部力抵抗、物理的性能、サービス能力、エンドエフェクタ精度の目標仕様を定義した。 これらの仕様に基づき,カスタム8-DoFロボット「エース」を開発した。 機械構造は、剛性を保ちながら質量を最小化するためにトポロジー最適化によって改善された。 モータとギアボックスの選択は逆力トルクモデルを用いて最適化された。 遅延補償を伴う低次結合型ダイナミクスモデルを同定し,RL制御ポリシの使用を可能にするシミュレーションに組み込んだ。 実験では、サイクル時間0.8秒、ピークラケット中心速度22m/sのフルストロークスイングを繰り返した。 このロボットは複数のプロ選手を倒した。

関連論文リスト

• MyoChallenge 2025: A New Benchmark for Human Athletic Intelligence [57.70335388371609]
  NeurIPS 2025のMyoChallengeは、スポーツにおけるモーターコントロールインテリジェンスに関する先駆的なベンチマークを確立した。 物理シミュレーションにおける高忠実度筋骨格モデルと機械学習駆動アルゴリズムの組み合わせ チャレンジには70のチームが参加し、全世界で560以上の応募があった。
  論文  参考訳（メタデータ） (2026-05-15T06:09:44Z)
• Robodimm: A Physics-Grounded Framework for Automated Actuator Sizing in Scalable Modular Robots [0.0]
  本稿では,スケーラブルなロボットアーキテクチャにおいて,アクチュエータを自動サイズ化するためのソフトウェアフレームワークであるRobodimmを紹介する。 ピノッキオを動力学に、ピンクを逆運動学に、RobodimmはKKT(Karush-Kuhn-Tucker)の定式化を制約された逆力学に用いた。
  論文  参考訳（メタデータ） (2026-03-06T20:33:24Z)
• SpikePingpong: High-Frequency Spike Vision-based Robot Learning for Precise Striking in Table Tennis Game [37.80144996427038]
  SpikePingpongは、スパイクベースのビジョンと模倣学習を統合した新しいシステムだ。 スパイクカメラベースのモジュールであるSONICは、ボールラケット接触予測においてミリレベルの精度を達成する。 IMPACTは戦略的計画モジュールであり、ターゲットとするテーブル領域への正確なボール配置を可能にする。
  論文  参考訳（メタデータ） (2025-06-07T07:04:48Z)
• 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)
• RobKiNet: Robotic Kinematics Informed Neural Network for Optimal Robot Configuration Prediction [5.570224095327175]
  タスク・アンド・モーション・プランニング(TAMP)は、ロボットが世界と対話し、複雑なタスクを遂行するために不可欠である。 本稿では,タスク層と動作層の間のブリッジとして,ロボットキネマティクスインフォームドニューラルネットワーク(RobKiNet)というフレームワークを提案する。 RobKiNetは、キネマティック知識をニューラルネットワークに統合し、効率的な構成予測が可能なモデルをトレーニングする。
  論文  参考訳（メタデータ） (2024-02-26T03:54:32Z)
• Reaching the Limit in Autonomous Racing: Optimal Control versus Reinforcement Learning [66.10854214036605]
  ロボット工学における中心的な問題は、アジャイルなモバイルロボットの制御システムをどうやって設計するかである。 本稿では、強化学習(RL)で訓練されたニューラルネットワークコントローラが最適制御(OC)法より優れていることを示す。 その結果、アジャイルドローンを最大性能に押し上げることができ、最大加速速度は重力加速度の12倍以上、ピーク速度は時速108kmに達しました。
  論文  参考訳（メタデータ） (2023-10-17T02:40:27Z)
• Hierarchical Reinforcement Learning for Precise Soccer Shooting Skills using a Quadrupedal Robot [76.04391023228081]
  本研究では,四足歩行ロボットが実世界において,強化学習を用いて精度の高い射撃技術を実現できるという課題に対処する。 本研究では, 深層強化学習を活用して頑健な動作制御政策を訓練する階層的枠組みを提案する。 提案するフレームワークをA1四足歩行ロボットに展開し、実世界のランダムなターゲットに向けて正確にボールを発射できるようにする。
  論文  参考訳（メタデータ） (2022-08-01T22:34:51Z)
• Learning to Play Table Tennis From Scratch using Muscular Robots [34.34824536814943]
  この研究は、(a)人為的ロボットアームを用いた安全クリティカルな動的タスクを初めて学習し、(b)PAM駆動システムで精度の高い要求問題を学び、(c)本物のボールなしで卓球をするようにロボットを訓練する。 ビデオとデータセットは muscleTT.embodied.ml で入手できる。
  論文  参考訳（メタデータ） (2020-06-10T16:43:27Z)

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。