論文の概要: NeuralActuator: Neural Actuation Modeling for Robot Dynamics and External Force Perception
- arxiv url: http://arxiv.org/abs/2607.11734v2
- Date: Fri, 17 Jul 2026 07:03:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-20 13:50:44.135832
- 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
- Abstract要約: 微分シミュレータは、ロボットタスクを横断する高度なポリシー学習とモデルベース制御を持つ。
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トルク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を提案する。
プレトレーニングモジュールとしてNeuralActuatorを用いて,運動条件推定と行動閉鎖性能の向上を実証した。
- 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 across robotic tasks. Yet actuator dynamics remain underexplored and can be a major source of sim-to-real error, particularly on low-cost platforms, where the linear current-to-joint-torque approximation $τ= K_t I$ becomes unreliable because of friction, hysteresis, backlash, and thermal effects. Accurate actuator models can also support force perception and integrated force/position control. We present NeuralActuator, which jointly predicts (i) a torque surrogate for trajectory propagation on low-cost servo platforms, (ii) external forces with a contact-probability gate for sensorless force perception, and (iii) a motor-condition score for a supervised joint, distinguishing normal from mechanically restricted operation. A twin-arm teleoperation system records robot states and actuator telemetry alongside external-force labels, yielding the Neural Actuation Dataset (NAD). The torque-surrogate head is trained through differentiable simulation from pose trajectories without ground-truth joint-torque measurements. A Transformer captures temporal dependencies while enabling real-time inference. We validate NeuralActuator on a 5-DoF OpenManipulator-X, a 6-DoF SO-101 from LeRobot, and a 7-DoF Franka Emika Panda, spanning three actuator families and costs from approximately \$500 to more than \$30{,}000. The low-cost platforms support physically plausible dynamics and force evaluation, while the offline Franka experiment provides a payload-force-estimation benchmark. We also demonstrate motor-condition estimation and improved behavior-cloning performance using NeuralActuator as a pretrained module. We release the dataset, code, and hardware configurations on the project page: https://frank-zy-dou.github.io/projects/NeuralActuator/index.html.
- Abstract（参考訳）: 微分シミュレータは、ロボットタスクを横断する高度なポリシー学習とモデルベース制御を持つ。
しかし、アクチュエータのダイナミクスは未探索のままであり、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、熱効果により線形電流-結合-トルク近似が信頼できない。
正確なアクチュエータモデルは、力知覚と力/位置制御の統合をサポートすることができる。
我々は共同で予測するニューラルアクチュエータを提案する。
一 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トルクサロゲート
二 センサレス力知覚のための接触防止ゲート付き外部力、及び
三 監督関節の運動条件スコアで、通常と機械的に制限された動作とを区別すること。
ツインアーム遠隔操作システムは、外部力ラベルと共にロボットの状態とアクチュエータテレメトリを記録し、ニューラルアクチュエータデータセット(NAD)を生成する。
トルク・サロゲートヘッドは、接地トルク測定なしでポーズ軌道から微分可能なシミュレーションにより訓練される。
Transformerはリアルタイム推論を可能にしながら、時間的依存関係をキャプチャする。
我々は,5-DoF OpenManipulator-X,LeRobotの6-DoF SO-101,および7-DoF Franka Emika Pandaの3つのアクチュエーターファミリと約$500〜$30{,}000以上のコストでNeuralActuatorを検証する。
低コストのプラットフォームは物理的に妥当な力学と力の評価をサポートし、オフラインのFranka実験はペイロードフォース推定ベンチマークを提供する。
プレトレーニングモジュールとしてNeuralActuatorを用いて,運動条件推定と行動閉鎖性能の向上を実証した。
https://frank-zy-dou.github.io/projects/NeuralActuator/index.html。
関連論文リスト
- Actuator Reality Shaping for Zero-Shot Sim-to-Real Robot Learning [0.5277024349608834]
ロボット学習におけるシモン・トゥ・リアル・トランスファーは、ポリシートレーニング中に仮定される理想的なアクチュエータ・ダイナミクスと、物理モータの非線形でハードウェア依存的な動作との相違によって制限されることが多い。
アクチュエータ・リアリティー・シェーピング(Actuator Reality Shaping)という別のパラダイムを導入する。
本研究では,外負荷下での単関節高径サーボと7-DOFロボットアームの到達作業に対するアプローチを検証する。
論文 参考訳（メタデータ） (2026-07-02T14:12:41Z) - ZiMPedance: Impedance-Aware ZMP Modeling and Control for Payload Carrying with Quadruped Robots [4.183011762144409]
本稿では,ゼロモーメント点 (ZMP) の定式化を導出し, 剛性, 減衰, ペイロード質量を安定マージンに関連付けるパッシブ・ペイロード・インターフェース・ダイナミクスについて述べる。
シミュレーションにおいて、提案したコントローラは安定性違反を7.0%$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) - Diffusion-Based Impedance Learning for Contact-Rich Manipulation Tasks [13.17252299377244]
インピーダンス制御は物理的相互作用を形作るが、実現可能なインピーダンスパラメータを選択することでタスク認識チューニングを必要とする。
両ドメインを組み合わせたフレームワークである拡散型インピーダンス学習を提案する。
論文 参考訳（メタデータ） (2025-09-24T02:07:17Z) - 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) - Value function estimation using conditional diffusion models for control [62.27184818047923]
拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。
拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。
本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
論文 参考訳（メタデータ） (2023-06-09T18:40:55Z) - 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) - Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。
連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。
我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
論文 参考訳（メタデータ） (2021-11-15T18:50:04Z) - DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。
DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。
実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
論文 参考訳（メタデータ） (2021-04-30T15:30:05Z)
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。