論文の概要: KING: Embodiment-Aware Kinematic Graph Neural Network for Unified Motion Representation of Legged and Wheeled Robots

• arxiv url: http://arxiv.org/abs/2608.01015v1
• Date: Sun, 02 Aug 2026 05:42:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.053988
• Title: KING: Embodiment-Aware Kinematic Graph Neural Network for Unified Motion Representation of Legged and Wheeled Robots
• Title（参考訳）: KING:脚・車輪付きロボットの統一動作表現のための身体認識型キネマティックグラフニューラルネットワーク
• Authors: Taku Okawara, Aoki Takanose, Kenji Koide, Shuji Oishi, Masashi Yokozuka,
• Abstract要約: 学習ベースキネマティックモデルでは,モデルベース手法よりも高精度なオドメトリ推定が可能である。 既存の学習ベースのモデルの多くは、単一の実施形態で訓練され、新しい実施形態に対して十分に一般化されている。 グラフニューラルネットワーク(GNN)をベースとしたキネマティックモデルであるKingを提案する。
• 参考スコア（独自算出の注目度）: 13.424076973771404
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Kinematic models provide reliable motion constraints for odometry estimation in featureless environments, where exteroceptive sensing degrades and IMU integration drifts. Learning-based kinematic models can achieve more accurate odometry estimation than model-based methods by capturing nonlinear effects; however, most existing learning-based models are trained on a single embodiment and generalize poorly to new embodiments. This generalization is difficult because the meanings and structures of proprioceptive measurements vary across embodiments, including the number of joints and ground-contact elements (e.g., wheels, feet). To address this challenge, we propose KING, a Graph Neural Network (GNN)-based kinematic model that explicitly incorporates robot embodiments by representing them as a common graph. We show that wheel and leg kinematic models can be expressed by a unified representation, enabling a single model for both wheeled and legged robots. Trained on datasets spanning diverse embodiments, KING provides a unified representation of wheeled and legged kinematics and achieves high-accuracy odometry estimation in real environments. KING estimates accurate odometry using only an embodiment description (e.g., a URDF file) and on-board proprioception (encoders and an IMU) and can be adapted to new robot embodiments through few-shot learning with only one minute of data, avoiding retraining from scratch on a new dataset for each robot. The project page is available at: https://smrg-aist.github.io/king_project_page/
• Abstract（参考訳）: キネマティックモデルは、外感知覚の劣化とIMU統合がドリフトする特徴のない環境において、オードメトリ推定のための信頼性の高い動作制約を提供する。 学習ベースキネマティックモデルでは, 非線形効果を捉えることによって, モデルに基づく手法よりも精度の高いオドメトリ推定が可能であるが, 既存の学習ベースモデルの多くは, 一つの実施形態で訓練され, 新たな実施形態に十分に一般化されている。 この一般化は、関節の数や接地接触要素(例えば、車輪、足)など、主観的測定の意味と構造が実施形態によって異なるため困難である。 この課題に対処するため,グラフニューラルネットワーク(GNN)に基づく運動モデルであるKINGを提案する。 車輪と脚のキネマティックモデルが統一表現によって表現できることを示し、車輪と脚の両ロボットの単一モデルを可能にする。 多様なエボディメントにまたがるデータセットに基づいて、KINGは車輪と脚のキネマティクスを統一的に表現し、実際の環境で高精度なオドメトリー推定を実現する。 KINGは、エボディメント記述(例えばURDFファイル)とオンボードプロプリセプション(エンコーダとIMU)のみを使用して正確なオードメトリを推定し、わずか1分のデータで数分間の学習を行い、各ロボットのための新しいデータセットのスクラッチからのトレーニングを避けることで、新しいロボットのエボディメントに適応することができる。 プロジェクトのページは以下の通りである。

関連論文リスト

• Instruct-Particulate: Scaling Feed-Forward 3D Object Articulation with Kinematic Control [86.64250947574749]
  合成された3Dオブジェクトの再構成は、アニメーション、ゲーム、ロボットシミュレーションにおいて重要である。 最近のニューラルネットワークは、3Dオブジェクトの明瞭な構造を推定できるが、その一般化は注釈付きデータの不足によって制限されている。 Instruct-Particulateは、3Dメッシュとターゲットキネマティック仕様を併用するモデルである。
  論文  参考訳（メタデータ） (2026-06-12T17:59:36Z)
• Few-Shot Physics-Informed Neural Network for Shape Reconstruction of Concentric-Tube Robots [4.539331900295919]
  既設管を3本有する6-DoF CTRのキネマティックモデリングのための物理インフォームドニューラルネットワーク(PINN)を提案する。 PINNは、形状、ねじれ角、ねじれひずみ、曲げモーメント、方向の完全な状態推定を可能にする。 結果として得られるモデルは、計算的に効率的で堅牢であり、リアルタイム制御アプリケーションにも適している。
  論文  参考訳（メタデータ） (2026-05-12T22:07:53Z)
• Differentiable Inverse Graphics for Zero-shot Scene Reconstruction and Robot Grasping [0.820984376071696]
  我々は,ニューラルネットワークモデルと物理に基づく微分可能レンダリングを組み合わせて,ゼロショットシーン再構成とロボットの把握を行う,微分可能なニューログラフィックモデルを提案する。 我々のアプローチは、新しい環境におけるよりデータ効率が高く、解釈可能で、一般化可能なロボット自律性への道筋を提供する。
  論文  参考訳（メタデータ） (2026-02-04T20:33:50Z)
• Mirage2Matter: A Physically Grounded Gaussian World Model from Video [87.9732484393686]
  我々は、グラフィック駆動の世界モデリングおよびシミュレーションフレームワークであるSimulate Anythingを紹介する。 実世界の環境を3次元ガウススプレイティング(3DGS)による写実的シーン表現に再構築する。 次に、生成モデルを利用して、物理的に現実的な表現を復元し、精度校正ターゲットを介してシミュレーション環境に統合する。
  論文  参考訳（メタデータ） (2026-01-24T07:43:57Z)
• URDF-Anything: Constructing Articulated Objects with 3D Multimodal Language Model [76.08429266631823]
  3次元マルチモーダル大言語モデル(MLLM)に基づくエンドツーエンドの自動再構築フレームワークを提案する。 URDF-Anythingは、ポイントクラウドとテキストマルチモーダル入力に基づく自己回帰予測フレームワークを使用して、幾何学的セグメンテーションと運動論的パラメータ予測を協調的に最適化する。 シミュレーションと実世界の両方のデータセットの実験は、我々の手法が既存の手法よりも大幅に優れていることを示した。
  論文  参考訳（メタデータ） (2025-11-02T13:45:51Z)
• Tightly-Coupled LiDAR-IMU-Leg Odometry with Online Learned Leg Kinematics Incorporating Foot Tactile Information [14.810220124050982]
  我々は,ニューラルレッグキネマティクスモデルという,オンライン学習に基づく脚キネマティクスモデルを開発した。 このモデルのオンライントレーニングにより,ロボットの荷重変化への適応性が向上する。 本手法は, テクトチュラル脚運動学モデルにより, 最先端の作業より優れる。
  論文  参考訳（メタデータ） (2025-06-11T09:28:07Z)
• 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)
• STAR: Sparse Transformer-based Action Recognition [61.490243467748314]
  本研究は,空間的次元と時間的次元に細かな注意を払っている新しいスケルトンに基づく人間行動認識モデルを提案する。 実験により、トレーニング可能なパラメータをはるかに少なくし、トレーニングや推論の高速化を図りながら、モデルが同等のパフォーマンスを達成できることが示されている。
  論文  参考訳（メタデータ） (2021-07-15T02:53:11Z)

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。