論文の概要: NeuralActuator: Neural Actuation Modeling for Robot Dynamics and External Force Perception
- arxiv url: http://arxiv.org/abs/2607.11734v1
- Date: Mon, 13 Jul 2026 15:58:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 17:47:21.543625
- Title: NeuralActuator: Neural Actuation Modeling for Robot Dynamics and External Force Perception
- Title（参考訳）: ニューラルアクチュエータ:ロボットダイナミクスと外力知覚のためのニューラルアクチュエータモデリング
- Authors: Zhiyang Dou, John U. Onyemelukwe, Hangxing Zhang, Heng Zhang, Minghao Guo, Yunsheng Tian, Michal Piotr Lipiec, Joshua Jacob, Chao Liu, Peter Yichen Chen, Yuri Ivanov, Wojciech Matusik,
- Abstract要約: 微分可能シミュレータは高度なポリシー学習とモデルベース制御を持つが、アクチュエータダイナミクスはsim-to-realエラーの重要な原因である。
我々は,低コストサーボプラットフォーム上での軌道伝搬のためのシミュレータ等価な一般化フォートサロゲートを共同で予測するニューラルアクチュエータモデルNeural Actuatorを提案する。
我々は,5-DoF OpenManipulator-X,6-DoF SO-101,7-DoF Frank Emika Pandaで評価を行った。
- 参考スコア（独自算出の注目度）: 32.4225008514158
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Differentiable simulators have advanced policy learning and model-based control, yet actuator dynamics remain an important source of sim-to-real error. This is particularly acute on low-cost platforms, where the linear current-to-torque relation $τ= K_tI$ becomes unreliable during commanded-target tracking because of friction, hysteresis, backlash, and thermal effects. We present NeuralActuator, a neural actuator model that jointly predicts (i) a simulator-equivalent generalized-effort surrogate for trajectory propagation on low-cost servo platforms, (ii) external force with a contact-probability gate for sensorless force perception, and (iii) a motor-condition score for the supervised joint. We also introduce the Neural Actuation Dataset (NAD), collected with a twin-arm teleoperation system that records robot states and actuator telemetry together with external-force labels. The torque-surrogate head is trained through differentiable simulation from pose trajectories without direct generalized-effort labels, while the force, gate, and motor-condition heads receive direct supervision. A Transformer captures temporal dependencies while supporting real-time inference. We evaluate NeuralActuator on a 5-DoF OpenManipulator-X, a 6-DoF SO-101, and a 7-DoF Franka Emika Panda, spanning three actuator families and platforms costing approximately USD 500 to over USD 30,000. The low-cost platforms support dynamics and force evaluation, while the offline Franka experiment provides an additional payload-force-estimation benchmark. Experiments further demonstrate its application for motor condition estimation on OpenManipulator-X and improved behavior-cloning performance when NeuralActuator is used as a pretrained module.
- Abstract（参考訳）: 微分可能シミュレータは高度なポリシー学習とモデルベース制御を持つが、アクチュエータダイナミクスはsim-to-realエラーの重要な原因である。
特に低コストのプラットフォームでは、摩擦、ヒステリシス、バックラッシュ、熱的影響により、直線電流-トルク関係の$τ=K_tI$は指令目標追跡時に信頼性が低下する。
共同で予測するニューラルアクチュエータモデルNeural Actuatorを提案する。
i) 低コストサーボプラットフォーム上での軌道伝播のためのシミュレーター等価一般化効果サロゲート
二 センサレス力知覚のための接触確率ゲート付き外力、及び
三 監督関節の運動条件スコア
また、ロボットの状態とアクチュエータテレメトリを外部力ラベルとともに記録するツインアーム遠隔操作システムを用いて収集したニューラルアクチュエータデータセット(NAD)についても紹介する。
トルクサロゲートヘッドは、直接一般化されたエフォートラベルのないポーズトラジェクトリから微分可能なシミュレーションにより訓練され、力、ゲート、モーターコンディションヘッドは直接監督される。
Transformerはリアルタイム推論をサポートしながら、時間的依存関係をキャプチャする。
我々は,5-DoF OpenManipulator-X,6-DoF SO-101,7-DoF Franka Emika Pandaの3つのアクチュエーターファミリーと3つのプラットフォームにまたがってNeuralActuatorの評価を行った。
ローコストプラットフォームはダイナミックスとフォース評価をサポートし、オフラインのFranka実験はペイロードフォース推定のベンチマークを提供する。
さらに実験により,OpenManipulator-Xの運動条件推定への応用と,ニューラルアクチュエータを事前訓練モジュールとして使用する場合の動作遮断性能の向上が示された。
関連論文リスト
- Actuator Reality Shaping for Zero-Shot Sim-to-Real Robot Learning [0.5277024349608834]
ロボット学習におけるシモン・トゥ・リアル・トランスファーは、ポリシートレーニング中に仮定される理想的なアクチュエータ・ダイナミクスと、物理モータの非線形でハードウェア依存的な動作との相違によって制限されることが多い。
アクチュエータ・リアリティー・シェーピング(Actuator Reality Shaping)という別のパラダイムを導入する。
本研究では,外負荷下での単関節高径サーボと7-DOFロボットアームの到達作業に対するアプローチを検証する。
論文 参考訳（メタデータ） (2026-07-02T14:12:41Z) - ZiMPedance: Impedance-Aware ZMP Modeling and Control for Payload Carrying with Quadruped Robots [4.183011762144409]
本稿では,ゼロモーメント点 (ZMP) の定式化を導出し, 剛性, 減衰, ペイロード質量を安定マージンに関連付けるパッシブ・ペイロード・インターフェース・ダイナミクスについて述べる。
シミュレーションにおいて、提案したコントローラは安定性違反を7.0%$から0.7%$に最大10倍減らし、水平地表面反応力の労力を名目ベースラインと比較して最大15%値下げすることで移動効率を向上させる。
論文 参考訳（メタデータ） (2026-06-17T10:00:19Z) - CausalDrive: Real-time Causal World Models for Autonomous Driving [60.66609721457312]
制御可能でリアルタイムなファンデーション駆動の世界であるCausalDriveを紹介します。
CaulDriveは、最初のフロントビューフレーム、エゴ車両の軌道、マクロテキストプロンプトのみで動作する。
本稿では,(1)衝突アーティファクトを著しく緩和した生成的クローズループ評価,(2)ビデオ2Rewardモジュールによる大規模強化学習(RL)後トレーニング,(3)リアルタイムの人間-イン-ザ・ループシミュレーション,の3つのダウンストリームアプリケーションにおける汎用性を実証する。
論文 参考訳（メタデータ） (2026-06-13T15:04:44Z) - Driver-WM: A Driver-Centric Traffic-Conditioned Latent World Model for In-Cabin Dynamics Rollout [55.19244743715421]
Driver-WMは、ドライバー中心の潜在世界モデルで、アウトキャビンのトラフィックコンテキストを考慮に入れたインキャビンのダイナミクスをロールアウトする。
身体のキネマティクス予測を補助的な行動的・感情的意味認識と統合する。
ドライバ-WMは、反応性の高いハイモーション操作のための堅牢な長距離幾何学的予測を与える。
論文 参考訳（メタデータ） (2026-05-06T16:30:48Z) - 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) - Tendon Force Modeling for Sim2Real Transfer of Reinforcement Learning Policies for Tendon-Driven Robots [4.374417345150659]
本稿では,典型的なサーボモータの腱力をモデル化する手法を提案する。
次に,GPUによる力駆動型剛体シミュレーションにおいて,我々の力推定モデルを用いてRL制御系を訓練する。
我々のモデルは最大運動力の3%以内の腱力を予測でき、ロボットに依存しない。
論文 参考訳（メタデータ） (2026-03-04T18:16:58Z) - 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) - Learning Contact Dynamics for Control with Action-conditioned Face Interaction Graph Networks [4.942750934906048]
本稿では,ロボットエンドエフェクタの高精度な動作と力トルク予測を,接触リッチな操作で実現する物理シミュレータを提案する。
提案モデルは,最新のGNNベースシミュレータを,新しいノードとエッジタイプで拡張する。
論文 参考訳（メタデータ） (2025-09-15T17:15:31Z) - Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。
われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。
本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
論文 参考訳（メタデータ） (2025-07-15T17:57:48Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z)
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。