論文の概要: Physics Models for Sim-to-Real Transfer in Professional-Level Robot Table Tennis

• arxiv url: http://arxiv.org/abs/2606.28805v2
• Date: Wed, 01 Jul 2026 02:30:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 15:15:53.057196
• Title: Physics Models for Sim-to-Real Transfer in Professional-Level Robot Table Tennis
• Title（参考訳）: プロレベルロボットテニスにおけるシミュレーショナル・トゥ・リアル・トランスファーの物理モデル
• Abstract要約: 卓球では、ボールは、ロボットが追跡し、1秒以内に正確に対応しなければならない複雑な直感的軌跡に従う。 これらのスキルを持つ強化学習政策の訓練は、現実世界では違法に高価で危険である。 本研究では,ボールの挙動をゲームに関連する幅広い速度とスピンで正確に把握する,空力ボール飛行,ボールテーブル接触,ボールラケット接触の物理モデルを提案する。
• 参考スコア（独自算出の注目度）: 40.32087961270485
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: At competitive speeds and spins, a table tennis ball follows complex, counterintuitive trajectories that a robot must track and precisely counter within fractions of a second. Training a reinforcement learning policy capable of these skills is prohibitively expensive and dangerous in the real world, making high-fidelity simulation essential. Transferability of such policies, however, critically depends on how faithfully the simulation captures real-world dynamics - a requirement made even more stringent by the adversarial nature of the game, where any modeling inaccuracy becomes an exploitable weakness for the opponent. Prior state-of-the-art in robot table tennis generally focuses on a limited range of velocities and spins and fails to capture the richness of ball behaviors encountered in professional-level play. In this work, we present physics models for aerodynamic ball flight, ball-table contact, and ball-racket contact. that accurately capture the ball behavior over a vast range of speeds and spins relevant to the game. Specifically, we model drag and Magnus force coefficients as functions of Reynolds number and spin ratio in the aerodynamics equations. For the table contact model we model effects of ball buckling on the coefficient of restitution and incorporate residuals into the instantaneous point-contact models. For the racket contact model, we introduce a residual neural network component to complement coefficients related to normal and tangential coefficients of restitution as well as torsional spin damping. Evaluated on an unprecedentedly large dataset of competitive matches (277 games), the proposed models significantly reduces prediction errors (e.g., 59% median landing-position error reduction). The resulting models were used to train the RL policies for the first real-world robot table tennis AI agent capable of competing against professional players.
• Abstract（参考訳）: 競争速度とスピンでは、テーブルテニスボールは、ロボットが1秒以内に追跡し、正確に対応しなければならない複雑な直感的な軌跡に従う。 これらのスキルを発揮できる強化学習政策の訓練は、現実世界では違法に高価で危険であり、高忠実度シミュレーションが不可欠である。 しかし、そのようなポリシーの伝達性は、シミュレーションが現実世界のダイナミクスをいかに忠実に捉えているかに大きく依存する。 ロボット卓球の最先端は、一般的に限られた速度とスピンに焦点を合わせており、プロレベルのプレーで遭遇するボールの振る舞いの豊かさを捉えていない。 本研究では, 空力飛行, ボールテーブル接触, ボールラケット接触の物理モデルを提案する。 ボールの動きを 正確に捉えます ゲームに関連する 様々なスピードとスピンで 具体的には、空気力学方程式におけるレイノルズ数とスピン比の関数として、ドラッグとマグナス力係数をモデル化する。 テーブル接触モデルでは,ボール座屈が再生係数に及ぼす影響をモデル化し,残差を瞬時点接触モデルに組み込む。 ラケット接触モデルでは、ねじりスピンダンピングと同様に、正規係数と接係数に関連する係数を補完する残留ニューラルネットワーク成分を導入する。 前例のない大規模な競合マッチのデータセット(277ゲーム)で評価し、提案モデルは予測誤差を著しく低減する(例:59%中央値の着地位置誤差削減)。 結果として得られたモデルは、プロの選手と競争できる最初の実世界のロボット卓球AIエージェントのRLポリシーの訓練に使用された。

関連論文リスト

• Hardware Design for Table Tennis Robot Capable of Beating Professional Players [32.40740138722726]
  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。
  論文  参考訳（メタデータ） (2026-06-25T06:14:03Z)
• Learning Racket-Ball Bounce Dynamics Across Diverse Rubbers for Robotic Table Tennis [5.245633032900991]
  10個のラケット構成にまたがるボール-ラケット相互作用をモデル化するための統一的なフレームワークを提案する。 広範囲のインシデント速度とスピンにまたがるラケットボールバウンスのデータセットを収集します。 提案手法は, すべてのラケットタイプにおいて, 衝撃後速度とスピン予測誤差を低減し, 非標準ゴムの最大改良点である。
  論文  参考訳（メタデータ） (2026-04-13T11:47:10Z)
• Sim-to-Real Transfer for Muscle-Actuated Robots via Generalized Actuator Networks [53.12548325396181]
  柔らかい筋肉のアクティベーションと組み合わせたテンドンドライブは、より速く、より安全なロボットを可能にする。 この複雑なアクチュエータのニューラルネットワークモデルを学習するsim-to-realパイプラインを提案する。 我々は,完全にシミュレーションで訓練された,正確なゴール獲得とダイナミック・ボール・イン・カップ・ポリシーの展開に成功した。
  論文  参考訳（メタデータ） (2026-04-10T16:52:54Z)
• Learning Human-Like Badminton Skills for Humanoid Robots [25.27775061243493]
  ロボットを「ミミック」から「ストライカー」に進化させるための進歩的強化学習フレームワークを提案する。 提案手法は,人体データに先立って頑健なモータを確立し,それをコンパクトなモデルベース状態表現に蒸留し,逆方向の先立って動的に安定化する。 シミュレーションでは、リフトやドロップショットを含む多様なスキルの習得を通じて、我々のフレームワークを検証する。
  論文  参考訳（メタデータ） (2026-02-09T08:09:52Z)
• Deterministic Reconstruction of Tennis Serve Mechanics: From Aerodynamic Constraints to Internal Torques via Rigid-Body Dynamics [0.0]
  本稿では,ヒト上半身の12自由度マルチセグメントモデルを用いて,テニスサーブに対する物理に基づくアプローチを提案する。 可視運動学と内部運動学の解離を解明することにより、テニスサーブの力学を理解するための第一原理の枠組みを提供する。
  論文  参考訳（メタデータ） (2025-12-20T11:32:40Z)
• RobotDancing: Residual-Action Reinforcement Learning Enables Robust Long-Horizon Humanoid Motion Tracking [50.200035833530876]
  RobotDancingはシンプルでスケーラブルなフレームワークで、残留する関節の目標を予測して、ダイナミックスの不一致を明示的に修正する。 複数分間の高エネルギー動作(ジャンプ、スピン、カートホイール)をトラッキングし、高いモーショントラッキング品質のハードウェアにゼロショットをデプロイする。
  論文  参考訳（メタデータ） (2025-09-25T03:30:34Z)
• 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)
• 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)
• Learning-based adaption of robotic friction models [50.72489248401199]
  我々は、可能な限り少ないデータを用いて、既存の摩擦モデルを新しいダイナミクスに適用するための新しいアプローチを導入する。 本手法はトレーニング中に外部負荷を伴うデータに依存しないため,外部トルクセンサは不要である。
  論文  参考訳（メタデータ） (2023-10-25T14:50:15Z)
• Black-Box vs. Gray-Box: A Case Study on Learning Table Tennis Ball Trajectory Prediction with Spin and Impacts [12.103456313315764]
  本稿では,テーブル球の軌道フィルタリングと予測手法を提案する。 我々は,ボールの初期条件を推測するダイナミックスモデル,拡張カルマンフィルタ,ニューラルモデルのパラメータをデータを用いて学習する。
  論文  参考訳（メタデータ） (2023-05-24T14:28:22Z)
• Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• 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。