論文の概要: FARO: Feasibility-Aware Robot Motion Optimization

• arxiv url: http://arxiv.org/abs/2607.18362v1
• Date: Mon, 20 Jul 2026 14:22:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.202346
• Title: FARO: Feasibility-Aware Robot Motion Optimization
• Title（参考訳）: FARO:実現可能性を考慮したロボットモーション最適化
• Abstract要約: 高速な実現可能性チェックと動的に一貫した軌道生成のためのネスト型キノダイナミックフレームワークを提案する。 生成したトラジェクトリは、強化学習(RL)ベースのコントローラを用いて追跡可能であることを示す。
• 参考スコア（独自算出の注目度）: 5.920538327471107
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fast planning of novel behaviors in unseen scenarios remains a fundamental challenge in robotics. The high-dimensional, hybrid, and underactuated nature of humanoid loco-manipulation continues to hinder the realization of this goal. In this paper, we address this challenge by proposing a nested kino-dynamic framework for rapid feasibility checking and dynamically consistent trajectory generation given a candidate contact sequence. By integrating this module with a feasibility-guided tree search and a Large Language Model (LLM)-based contact plan sampling strategy, we demonstrate that the proposed framework can substantially improve the search process. Furthermore, we show that the generated trajectories can be tracked using a reinforcement learning (RL)-based controller and show that the resulting trajectories are of sufficiently high quality for execution in real-world loco-manipulation scenarios. A supplementary video is available at: https://youtu.be/R6qCHoCormQ.
• Abstract（参考訳）: 見えないシナリオにおける新しい行動の高速計画は、ロボティクスにおける根本的な課題である。 ヒューマノイド・ロコ・マニピュレーションの高次元的・ハイブリッド的・不安定な性質は、この目標の実現を妨げ続けている。 本稿では,提案するネスト型キノ・ダイナミック・フレームワークを用いて,素早い実現可能性チェックと動的に一貫したトラジェクトリ生成を行う。 このモジュールを実現可能性誘導木探索とLarge Language Model(LLM)ベースのコンタクトプランサンプリング戦略と統合することにより,提案手法が探索プロセスを大幅に改善できることを実証する。 さらに, 実世界のロコ操作シナリオにおいて, 生成したトラジェクトリを強化学習(RL)ベースのコントローラを用いて追跡できることを示し, 結果のトラジェクトリが十分に高品質であることを示す。 補足ビデオは、https://youtu.be/R6qCHoCormQ.comで公開されている。

関連論文リスト

• Model-Based Diffusion Optimal Control for Multi-Robot Motion Planning [5.5818653283217055]
  連続環境におけるマルチロボット運動計画は、関節軌道空間の成長と動的実現性やハードセーフティ制約の実施の難しさにより困難である。 近年の研究では,実験データからスコア関数を学習した拡散モデルを用いて,軌道後部からの軌道計画を確率的推論として再検討している。 モデルベース拡散最適制御(MDOC)は,データに頼らずに動的に実現可能な軌道を効率的に生成するモデルベース拡散プランナである。
  論文  参考訳（メタデータ） (2026-07-14T06:54:03Z)
• BFMTrack: Latent Sequence Optimization for Physics-Based Motion Tracking with Behavioral Foundation Models [7.959692704349906]
  行動基礎モデル(BFM)は、物理的に妥当な行動の豊富なレパートリーを、大規模な運動データセットによってガイドされた潜在空間に整理する。 これらのモデルは、ゴール取得や状態ベースの報酬最適化のような時間不変のタスクで優れているが、その潜在空間は、モーションシーケンスの追跡のような時間変化の目的を直接サポートしていない。 本稿では,これらの欠点に対処する新しいLatent Sequence Optimization(LSO)を提案する。
  論文  参考訳（メタデータ） (2026-06-23T18:12:22Z)
• Direct Dynamic Retargeting for Humanoid Imitation Learning from Videos [6.238518905285812]
  単眼ビデオデモからの模倣学習は、ヒューマノイドロボットに複雑なスキルを教えるためのスケーラブルなアプローチを提供する。 本稿では,エキスパートビデオから直接高忠実で動的に実現可能な軌道を生成する新しい単一ステージフレームワークであるDirect Dynamic Retargeting (DDR)を提案する。 我々の実験は、幾何学的バイアスをバイパスすることで、DDRはデモ追跡精度において最先端のベースラインを上回ることを実証した。
  論文  参考訳（メタデータ） (2026-05-22T15:33:40Z)
• Self-Correcting VLA: Online Action Refinement via Sparse World Imagination [55.982504915794514]
  本稿では, 自己補正VLA (SC-VLA) を提案する。 SC-VLAは最先端のパフォーマンスを達成し、最高タスクスループットを16%削減し、最高パフォーマンスのベースラインよりも9%高い成功率を得る。
  論文  参考訳（メタデータ） (2026-02-25T06:58:06Z)
• Autonomous Vehicle Path Planning by Searching With Differentiable Simulation [55.46735086899153]
  計画では、エージェントが現実世界で実行する前に、アクションを安全に洗練することができる。 自動運転では、衝突を避け、複雑な密集した交通シナリオをナビゲートすることが不可欠である。 本稿では、微分可能シミュレータWaymaxを次の状態予測と批判の両方として活用するフレームワークである、微分可能探索シミュレーション(DSS)を提案する。
  論文  参考訳（メタデータ） (2025-11-14T07:56:34Z)
• Ctrl-World: A Controllable Generative World Model for Robot Manipulation [53.71061464925014]
  汎用ロボットポリシーは、幅広い操作スキルを実行することができる。 未知の物体や命令で 彼らの能力を評価し 改善することは 重要な課題です 世界モデルは、イマジネーション空間内でポリシーの展開を可能にすることで、有望でスケーラブルな代替手段を提供する。
  論文  参考訳（メタデータ） (2025-10-11T09:13:10Z)
• ReCogDrive: A Reinforced Cognitive Framework for End-to-End Autonomous Driving [49.07731497951963]
  ReCogDriveは、エンドツーエンドの自動運転のための新しい強化認知フレームワークである。 我々は、人間のドライバーのシーケンシャルな認知過程を模倣する階層的なデータパイプラインを導入する。 次に、VLMの学習した運転先を拡散プランナーに注入することで、言語行動ミスマッチに対処する。
  論文  参考訳（メタデータ） (2025-06-09T03:14:04Z)
• Action Flow Matching for Continual Robot Learning [54.10050120844738]
  ロボット工学における継続的な学習は、変化する環境やタスクに常に適応できるシステムを求める。 本稿では,オンラインロボット力学モデルアライメントのためのフローマッチングを利用した生成フレームワークを提案する。 ロボットは,不整合モデルで探索するのではなく,行動自体を変換することで,より効率的に情報収集を行う。
  論文  参考訳（メタデータ） (2025-04-25T16:26:15Z)
• Navigating the Human Maze: Real-Time Robot Pathfinding with Generative Imitation Learning [0.0]
  目標条件付き自己回帰モデルを導入し,個人間の複雑な相互作用を捉える。 このモデルは、潜在的なロボット軌道サンプルを処理し、周囲の個人の反応を予測する。
  論文  参考訳（メタデータ） (2024-08-07T14:32:41Z)
• Interactive Character Control with Auto-Regressive Motion Diffusion Models [18.727066177880708]
  リアルタイム動作合成のためのA-MDM(Auto-Regressive Motion Diffusion Model)を提案する。 我々の条件拡散モデルは初期ポーズを入力とし、前者のフレームに条件付けられた連続した動きフレームを自動回帰的に生成する。 本稿では,タスク指向サンプリング,インペインティング,階層的強化学習など,対話型制御をA-MDMに組み込む一連の手法を紹介する。
  論文  参考訳（メタデータ） (2023-06-01T07:48:34Z)
• Leveraging Sequentiality in Reinforcement Learning from a Single Demonstration [68.94506047556412]
  本稿では,複雑なロボットタスクの制御ポリシーを1つの実演で学習するために,シーケンシャルなバイアスを活用することを提案する。 本研究は, ヒューマノイド移動やスタンドアップなど, 模擬課題のいくつかを, 前例のないサンプル効率で解くことができることを示す。
  論文  参考訳（メタデータ） (2022-11-09T10:28:40Z)
• Path Planning in Dynamic Environments using Generative RNNs and Monte Carlo Tree Search [11.412720572948086]
  群衆や交通などの動的環境におけるロボット経路計画のための最先端の手法は、エージェントのための手作りのモーションモデルに依存している。 本稿では,モンテカルロ木探索(MCTS)における生成的リカレントニューラルネットワークを用いた統合経路計画フレームワークを提案する。 提案手法は,対話時の動作予測精度を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-01-30T22:46:37Z)

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。