論文の概要: Embodying Multi-Hand Manipulation Policies by Searching the Assignment and Null Spaces

• arxiv url: http://arxiv.org/abs/2607.22020v1
• Date: Fri, 24 Jul 2026 06:37:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.060893
• Title: Embodying Multi-Hand Manipulation Policies by Searching the Assignment and Null Spaces
• Title（参考訳）: 割り当てとヌル空間の探索によるマルチハンドマニピュレーションポリシの具体化
• Abstract要約: 学習された操作ポリシーは、抽象的な「手」の動きをますます予測する マルチアームロボット上でこれらの軌道を実行することは簡単ではない。 この問題に直接対処するアルゴリズムがない場合、実践者は一般的に、単腕逆キネマティックスパイプラインをアドホックな方法で拡張する。
• 参考スコア（独自算出の注目度）: 19.655642356469748
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learned manipulation policies increasingly predict motions for abstract "hands" and are attractive in practice because they rely on easily collected demonstrations and transfer across robot platforms. Executing these trajectories on multi-arm robots, however, is not trivial. Multi-hand policy outputs must be assigned to physical arms, each arm must realize a configuration-space motion that tracks its prescribed end-effector trajectory, and all arms must respect kinematic limits and avoid collisions. In the absence of algorithms that directly address this problem, practitioners typically extend single-arm inverse-kinematics (IK) pipelines in an ad hoc way, with no guarantees of feasibility or safety. In this work, we close this execution gap with a search-based framework that is theoretically complete for grounding policy-generated multi-hand trajectories onto physical multi-arm systems. Building on Conflict-Based Search, our method explicitly searches over both the discrete assignment of trajectories to arms and the continuous Jacobian null spaces of redundant manipulators, using redundancy to avoid inter-arm collisions while tracking the prescribed motions. This unified treatment of assignment and null-space motion yields a practically efficient planner that safely realizes coordinated manipulation-policy outputs on multi-arm robots. See omcbsa.github.io for more.
• Abstract（参考訳）: 学習された操作ポリシーは、抽象的な「手」の動きをますます予測し、ロボットプラットフォーム間で簡単に収集されたデモや移動に依存するため、実際は魅力的である。 しかし、これらの軌道をマルチアームロボットで実行することは簡単ではない。 マルチハンドのポリシー出力は物理的アームに割り当てられる必要があり、各アームは所定のエンドエフェクター軌道を追跡する構成空間運動を実現する必要があり、全てのアームは運動制限を尊重し、衝突を避ける必要がある。 この問題に直接対処するアルゴリズムがない場合、実践者は一般的に、実現可能性や安全性の保証なしに、単腕逆キネマティクス(IK)パイプラインをアドホックな方法で拡張する。 本研究では、この実行ギャップを、理論上はポリシー生成マルチハンドトラジェクトリを物理マルチアームシステムに基盤付けるための検索ベースのフレームワークで埋める。 コンフリクトベースサーチ(Conflict-based Search)をベースとした本手法では,アームへのトラジェクトリの個別割り当てと冗長マニピュレータの連続ヤコビアンヌル空間の両方を,所定の動作を追跡しながらアーム間衝突を避けるために冗長性を用いて明示的に探索する。 この割り当てとヌルスペース運動の統一処理により、マルチアームロボットの協調的な操作ポリシー出力を安全に実現する実用的なプランナーが得られる。 詳しくはomcbsa.github.ioを参照。

関連論文リスト

• Distributed Safe Cooperative Vector Field for Trajectory Curvature Constrained Multi-Robot Systems [33.11742595438937]
  軌道曲率の制約は、実用マルチロボットシステムに固有のものである。 これらの制約を適切に考慮しなければ、ロボットは割り当てられたタスクを達成できないかもしれない。 本稿では,マルチロボットシステムのための分散セーフコラボレーティブベクトル場アプローチを提案する。
  論文  参考訳（メタデータ） (2026-09-14T09:26:39Z)
• CosmoH2G: A Hand-to-Gripper Transfer Dataset and Baseline Method for Object Manipulation with Complex Spatial Movements [63.40365657068892]
  ロボットグリップに人手によるデモンストレーションを移すことは、最近、ロボット学習の費用対効果の高いソリューションとして浮上した。 このギャップに触発された我々は、きめ細かい手の動きによって導かれる暗黙的なデータ駆動アプローチを採用した。 シミュレーションと実ロボット実験の両方において、我々のフレームワークは複雑な空間操作の安定かつ高精度なハンド・トゥ・グルーパー転送を可能にする。
  論文  参考訳（メタデータ） (2026-09-07T13:47:22Z)
• Mind Your Steps: A General Learning Framework for Accurate Humanoid Foothold Tracking [78.30338456206984]
  本稿では,汎用3D足場追跡ポリシーをトレーニングするための新しいフレームワークを提案する。 本手法は, 目標検層による足場支援を動的に行うことにより, 学習方針を特定の地形に依存しないものにする。 我々の新しいターゲット表現は、雑音や不正確なポーズ推定や足の接触推定といった現実の課題を効果的に緩和する。
  論文  参考訳（メタデータ） (2026-06-06T16:44:56Z)
• Learning Reactive Dexterous Grasping via Hierarchical Task-Space RL Planning and Joint-Space QP Control [50.28263951510334]
  本稿では,リアクティブなデクスタリーグルーピングのためのハイブリッド階層型制御フレームワークを提案する。 提案手法は,低レベル共同実行から高レベル空間意図を明示的に分離する。 我々は厳密なシミュレーションと現実のパイプラインを通して提案したフレームワークを広範囲に検証する。
  論文  参考訳（メタデータ） (2026-05-05T04:49:38Z)
• ACLM: ADMM-Based Distributed Model Predictive Control for Collaborative Loco-Manipulation [9.708461585583791]
  重荷のロコ操作による共同輸送は、脚のあるロボットにとって難しいが必須の能力である。 本研究は,ロコマニピュレーションのための分散モデル予測制御フレームワークであるマルチプライアの交互方向法を提案する。
  論文  参考訳（メタデータ） (2026-03-07T08:06:51Z)
• 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)
• Kinematics-Aware Diffusion Policy with Consistent 3D Observation and Action Space for Whole-Arm Robotic Manipulation [9.547155394196158]
  フルアームキネマティクスを意識したロボットマニピュレータの全身制御は多くの操作シナリオにおいて重要である。 全体腕操作の典型的なアプローチは、ロボットの関節空間での動作を学ぶことである。 本稿では,一貫したタスク,観察,行動空間を備えたキネマティクス対応の模倣学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-19T13:34:29Z)
• Dexplore: Scalable Neural Control for Dexterous Manipulation from Reference-Scoped Exploration [58.4036440289082]
  ハンドオブジェクトモーションキャプチャ(MoCap)は、大規模でコンタクトに富んだデモと、器用なロボットスコープの約束を提供する。 Dexploreは、リポジトリとトラッキングを実行し、MoCapから直接ロボット制御ポリシーを学習する、統一された単一ループ最適化である。
  論文  参考訳（メタデータ） (2025-09-11T17:59:07Z)
• Accelerating Search-Based Planning for Multi-Robot Manipulation by Leveraging Online-Generated Experiences [20.879194337982803]
  MAPF(Multi-Agent Path-Finding)アルゴリズムは、離散的な2Dドメインで保証され、厳密な保証を提供する。 本稿では,その反復的かつ漸進的な性質を活用して,競合に基づく探索アルゴリズムを高速化する手法を提案する。
  論文  参考訳（メタデータ） (2024-03-29T20:31:07Z)
• Nonprehensile Planar Manipulation through Reinforcement Learning with Multimodal Categorical Exploration [8.343657309038285]
  強化学習はそのようなロボットコントローラを開発するための強力なフレームワークである。 分類分布を用いたマルチモーダル探索手法を提案する。 学習したポリシは外部の障害や観測ノイズに対して堅牢であり、複数のプッシュ器でタスクにスケールできることが示される。
  論文  参考訳（メタデータ） (2023-08-04T16:55:00Z)
• Unified Control Framework for Real-Time Interception and Obstacle Avoidance of Fast-Moving Objects with Diffusion Variational Autoencoder [2.5642257132861923]
  動的環境におけるロボットアームによる高速移動物体のリアルタイムインターセプションは、非常に困難な課題である。 本稿では,動的オブジェクトを同時にインターセプトし,移動障害を回避することで,課題に対処する統一的な制御フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-27T18:46:52Z)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)
• ReLMoGen: Leveraging Motion Generation in Reinforcement Learning for Mobile Manipulation [99.2543521972137]
  ReLMoGenは、サブゴールを予測するための学習されたポリシーと、これらのサブゴールに到達するために必要な動作を計画し実行するためのモーションジェネレータを組み合わせたフレームワークである。 本手法は,フォトリアリスティック・シミュレーション環境における7つのロボットタスクの多種多様なセットをベンチマークする。 ReLMoGenは、テスト時に異なるモーションジェネレータ間で顕著な転送可能性を示し、実際のロボットに転送する大きな可能性を示している。
  論文  参考訳（メタデータ） (2020-08-18T08:05:15Z)

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。