論文の概要: Shooting for Contact: Contact-Implicit Multiple Shooting for Dynamic Motion Retargeting
- arxiv url: http://arxiv.org/abs/2608.03116v1
- Date: Tue, 04 Aug 2026 04:38:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 07:04:20.696009
- Title: Shooting for Contact: Contact-Implicit Multiple Shooting for Dynamic Motion Retargeting
- Title（参考訳）: 接触撮影:ダイナミック・モーション・リターゲティングのためのコンタクト・アンプ多重撮影
- Abstract要約: 本稿では,動力学的に実現可能な参照を動的に実現可能な全身軌跡に変換する,接触型直接シミュレーションベース多重撮影(DSMS)フレームワークを提案する。
命令条件付き接触リッチクローリングと高度にダイナミックな180度ジャンプターンにより、Unitree G1上のゼロショットsim-to-real転送を実証する。
- 参考スコア（独自算出の注目度）: 21.55901773307122
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Motion retargeting approaches often prioritize kinematic similarity over whole-body dynamics, contact consistency, and actuation limits, yielding references that are difficult for reinforcement learning (RL) policies to reproduce, particularly for contact-rich behaviors. We present a contact-implicit, direct simulation-based multiple shooting (DSMS) framework that transforms kinematically feasible references into dynamically feasible whole-body trajectories. By embedding a differentiable simulator within a nonlinear program, DSMS resolves contact, friction, impacts, self-collision, and joint limits internally while enforcing tracking, actuation, and task constraints without prescribing a contact schedule or introducing explicit contact constraints. Compared with existing retargeting methods, DSMS accelerates motion-imitation RL training and yields policies with high success rates and low tracking error. We further demonstrate zero-shot sim-to-real transfer on the Unitree G1 through command-conditioned contact-rich crawling and a highly dynamic 180-degree jump-turn.
- Abstract（参考訳）: 運動再ターゲティングアプローチは、全身のダイナミクス、接触一貫性、アクティベーション制限よりも運動学的類似性を優先することが多く、特に接触に富んだ行動のために強化学習(RL)ポリシーの再現が困難である参照を与える。
本稿では,動力学的に実現可能な参照を動的に実現可能な全身軌跡に変換する,接触型直接シミュレーションベース多重撮影(DSMS)フレームワークを提案する。
非線形プログラムに微分可能シミュレータを埋め込むことにより、DSMSは、接触スケジュールを規定したり、明示的な接触制約を導入することなく、トラッキング、アクティベーション、タスク制約を強制しながら、内部的に接触、摩擦、衝撃、自己衝突、関節制限を解消する。
既存のリターゲティング手法と比較して、DSMSはモーションアニメーションRLトレーニングを加速し、高い成功率と低いトラッキングエラーでポリシーを得る。
さらに,Unitree G1上の0ショットsim-to-real転送を,命令条件付きコンタクトリッチクローリングと高ダイナミックな180度ジャンプターンにより実証する。
関連論文リスト
- ConCent: Contact-Centric Real-to-Sim-to-Real Learning from One Demonstration [17.067367964368486]
Sim-to-real Policy Transferは、大規模な実世界のデータなしでロボット操作をスケールするための有望なパラダイムである。
本稿では,実演から抽出したタスク関連接触イベントシーケンスを利用する,コンタクト中心の実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実
接触リッチな操作タスクの実験は、制約のないRLベースラインよりも安定でロバストなsim-to-realポリシー転送を示す。
論文 参考訳（メタデータ） (2026-06-29T13:16:33Z) - CoCo-InEKF: State Estimation with Learned Contact Covariances in Dynamic, Contact-Rich Scenarios [10.290787487255301]
CoCo-InEKFは、二元接触状態の代わりに連続接触速度共分散を利用する微分不変な拡張カルマンフィルタである。
我々は、接触候補点を予測するために状態エラー損失を用いて、エンドツーエンドで訓練された軽量ニューラルネットワークを用いる。
二足歩行ロボットの実験は、線形速度推定に優れた精度・効率のトレードオフを示す。
論文 参考訳（メタデータ） (2026-05-14T17:35:06Z) - ForceFlow: Learning to Feel and Act via Contact-Driven Flow Matching [53.30290192030814]
ForceFlowは、フローマッチングに基づいて構築された、フォース対応のリアクティブフレームワークである。
ForceFlowは、強力なベースラインであるForceVLAよりも37%の成功率の向上を実現している。
また、接触力の自己調節において、正確な力信号予測と優れた性能を示す。
論文 参考訳（メタデータ） (2026-05-11T13:27:00Z) - Beyond Self-Play: Hierarchical Reasoning for Continuous Motion in Closed-Loop Traffic Simulation [8.157621070273736]
本稿では,ハイレベルなマルチエージェント相互作用推論と低レベルな連続軌道実現を組み合わせた階層型アーキテクチャを提案する。
SUMOをベースとした都市ネットワーク上での実験により,提案手法は自己再生や受動的模倣のベースラインと比較して,スムーズな制御と安全性を実現することが示された。
論文 参考訳（メタデータ） (2026-05-09T20:31:34Z) - 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) - Kinodynamic Motion Retargeting for Humanoid Locomotion via Multi-Contact Whole-Body Trajectory Optimization [6.47799404542057]
我々は,人体移動の新しいアプローチであるKinoDynamic Motion Retargeting (KDMR) フレームワークを提案する。
本手法は,ヒトのような接触パターンを正確に再現するために,ヒールトイ接触イベントを自動的に検出する。
実験の結果,KDMRはキネマティック法よりも有意に優れていた。
論文 参考訳（メタデータ） (2026-03-10T17:51:17Z) - 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) - Where to Touch, How to Contact: Hierarchical RL-MPC Framework for Geometry-Aware Long-Horizon Dexterous Manipulation [15.309183490293721]
接触リッチな外接操作における重要な課題は、幾何学、運動論的制約、複雑で非滑らかな接触力学を共同で推論する必要があることである。
本稿では,高レベル強化学習(RL)政策が接触意図を予測する階層的なRL--MPCフレームワークを提案する。
我々は、幾何学的一般化されたプッシュやオブジェクト3D再構成を含む、非包括的タスクに関するフレームワークを評価する。
論文 参考訳（メタデータ） (2026-01-16T01:20:15Z) - Reactive Diffusion Policy: Slow-Fast Visual-Tactile Policy Learning for Contact-Rich Manipulation [58.95799126311524]
人間は視覚と触覚を使って、外的変化に対する迅速な応答や接触力の適応制御のような非常に反応性の高い能力で、コンタクトリッチなタスクを達成できる。
既存の視覚模倣学習アプローチは、複雑な振る舞いをモデル化するためにアクションチャンキングに依存している。
本稿では,Augmented Realityを通じてリアルタイム触覚フィードバックを提供する,低コスト遠隔操作システムであるTactARを紹介する。
論文 参考訳（メタデータ） (2025-03-04T18:58:21Z) - Contact-Aware Retargeting of Skinned Motion [49.71236739408685]
本稿では,自己接触を保存し,相互接続を防止する動作推定手法を提案する。
入力運動における自己接触と接地を同定し、出力骨格に適用するための動作を最適化する。
実験では,従来の手法を定量的に上回り,近年の成果よりも高い品質で再ターゲットされた動きを評価できるユーザスタディを実施している。
論文 参考訳（メタデータ） (2021-09-15T17:05:02Z) - 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。