論文の概要: TRACE: Learned Proprioceptive Odometry for Legged Robots under Unreliable Contact Conditions

• arxiv url: http://arxiv.org/abs/2608.05975v1
• Date: Thu, 06 Aug 2026 12:53:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 17:43:06.752993
• Title: TRACE: Learned Proprioceptive Odometry for Legged Robots under Unreliable Contact Conditions
• Title（参考訳）: TRACE:信頼できない接触条件下でのレッグロボットの固有受容眼磁図の学習
• Abstract要約: 脚付きロボットのための終末学習型主観性眼球運動量推定装置であるTRACE(Tokenized Robust Attention for Contact-Aware Estimation)を提案する。 提案した推定器は,近年の慣性・関節計測の歴史から,相対変位,相対回転,体軸速度を直接予測する。 信頼性の低い接触条件下でのロバスト性向上のために,IMUおよび脚の運動トークンを適応的に重み付けする足認識型クロスアテンションモジュールを導入する。
• 参考スコア（独自算出の注目度）: 4.317571381146645
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we present TRACE (Tokenized Robust Attention for Contact-Aware Estimation), an end-to-end learned proprioceptive odometry estimator for legged robots under unreliable contact conditions. The proposed estimator directly predicts relative displacement, relative rotation, and body-frame velocity from a recent history of onboard inertial and joint measurements. To improve robustness under unreliable contact conditions, we introduce a foot-aware cross-attention module that adaptively weights IMU and leg-wise kinematic tokens without relying on manually defined contact or slip thresholds. The estimator is trained with direct supervision and two physics-inspired auxiliary losses that promote kinematic consistency and reliable use of leg information. To reduce policy-specific overfitting and consequently improve sim-to-real transfer, simulation training incorporates policy randomization, followed by partial real-world fine-tuning of the temporal encoder and prediction head. Experiments across diverse indoor and outdoor terrains demonstrate consistent reductions in position drift compared with classical filtering-based, hybrid, and purely learning-based baselines. Ablation studies further validate the contributions of the proposed training objectives, policy randomization, and real-world fine-tuning, particularly under unreliable contacts and sim-to-real mismatch.
• Abstract（参考訳）: 本稿では,不確実な接触条件下での脚型ロボットの終端から終端まで学習した主観的眼球運動量推定装置であるTRACEについて述べる。 提案した推定器は,近年の慣性・関節計測の歴史から,相対変位,相対回転,体軸速度を直接予測する。 信頼性の低い接触条件下でのロバスト性を改善するため,手動で定義した接触閾値やスリップ閾値に頼ることなく,IMUおよび脚回りのキネマティックトークンを適応的に重み付けする足認識型クロスアテンションモジュールを導入する。 この推定器は、直接監督と2つの物理学にインスパイアされた補助的損失で訓練され、運動的整合性を促進し、脚情報の信頼性を高める。 ポリシー固有のオーバーフィッティングを減らし、シミュレート・トゥ・リアル・トランスファーを改善するため、シミュレーショントレーニングはポリシーランダム化を取り入れ、その後、時間エンコーダと予測ヘッドの部分的な実世界の微調整を行う。 様々な屋内および屋外の地形における実験は、古典的なフィルタリングベース、ハイブリッド、純粋に学習ベースラインと比較して、位置のドリフトが一貫した減少を示す。 アブレーション研究は、提案された訓練目標、政策ランダム化、現実世界の微調整、特に信頼できない接触やシム・トゥ・リアルのミスマッチの下での貢献をさらに検証する。

関連論文リスト

• Proprioception-Anchored Cross-Modal Pretraining for Zero-Shot Sim-to-Real Contact-Rich Assembly [9.415285027294221]
  PACE(Proprioception-Anchored Cross-Modalception, PACE)は,主受容状態遷移を予測することによって,時間的視覚およびF/T表現を監督する。 4つの接触に富んだ組立作業の中で、PACEは平均的な実世界の成功率93.3%に達し、2.7ポイントのsim-to-realドロップしか達成していない。
  論文  参考訳（メタデータ） (2026-09-07T14:20:22Z)
• FOCUS: Foot Observation Confidence for Robust Humanoid Proprioceptive Odometry [4.918768564334209]
  既存の接触支援型推定器は、足全体のFK測定を信頼すべきかどうかを決定するために二点接触決定に依存している。 本稿では,二足接触を推定する代わりに,各足のFK信頼度を連続的に予測するFOCUSを提案する。 FOCUSは、シミュレーションされた歩行エピソードにおいて絶対軌道誤差(ATE)を83.7%削減することを示した。
  論文  参考訳（メタデータ） (2026-09-02T07:34:55Z)
• Contact-Aided Factor-Graph Localization for Underwater Sampling [3.884868746700691]
  本稿では,物理的相互作用を情報的幾何学的制約として扱う,接触支援因子グラフの局所化フレームワークを提案する。 接触による制約により軌道のドリフトが著しく減少し,物体の視認精度が向上することを示す。 その結果、知覚劣化水中環境における局所化プリミティブとしての身体的相互作用の役割が強調された。
  論文  参考訳（メタデータ） (2026-08-27T10:34:22Z)
• CARO: Contact-Agnostic Residual Observation for Zero-Shot Robust Quadruped Locomotion [6.612698611142421]
  CAROは、政策適応のための接触に依存しない残留観測フレームワークである。 固定ベースオイラー-ラグランジュモデルを強化学習制御ループに組み込み、トルクレベルの残留観測を構築する。 外乱オブザーバは、動的ミスマッチを表す構造化信号を抽出し、ポリシーは、このフィードバックをオンライン適応に活用することを学ぶ。
  論文  参考訳（メタデータ） (2026-08-25T08:23:24Z)
• Learning to Throw: Agile and Accurate Cable-Suspended Payload Delivery with a Quadrotor [17.676294984292433]
  クアドロレータは、時間クリティカルなアプリケーション中にサスペンションペイロードを高速に輸送するために必要なアジリティを提供する。 最先端のアプローチは一般的にモデルベースの軌道最適化と追跡に依存している。 複素ロープおよびペイロード相互作用のための物理解法と高忠実度解析的四元子モデルとを結合したハイブリッドシミュレーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-25T23:30:52Z)
• Online Learning of Robust Legged Odometry with Minimal Exteroceptive Supervision [7.541859903866144]
  工業的にパッケージされた外部受動的センサーは正確なモーショントラッキングを提供することができるが、知覚的に劣化した状況に弱いままである。 プラグアンドプレイで頑健な脚型オドメトリーシステムを開発し,外受容・プロプリセプティブ・キャリブレーションやシステムキネマティック・モデリングの必要性を排除した。 プラットフォームに依存しない、容易にデプロイ可能なアプローチを、異なる4つのプラットフォームに示す。
  論文  参考訳（メタデータ） (2026-06-19T18:20:55Z)
• Beyond Binary: Sim-to-Real Dexterous Manipulation with Physics-Grounded Contact Representation [51.463992799813816]
  コンタクトリッチな操作における主要なボトルネックは、現実世界のデータ収集の難しさである。 物理原理に基づく効果的な触覚表現であるCenter-of-Pressureを紹介する。 我々は2つのブラインドで困難なコンタクトリッチな操作タスクについてCoPを評価する。
  論文  参考訳（メタデータ） (2026-05-27T17:59:02Z)
• PRIME: Physically-consistent Robotic Inertial and Motion Estimation for Legged and Humanoid Robots [6.944742823560998]
  本研究では,実世界の展開において,車載キネマティクスから正確な動き推定を可能にするPRIMEを提案する。 提案手法は,滑らかな相補性制約とAnitescuスタイルの摩擦モデルを備えた異種接触力学を取り入れたものである。 PRIMEは、大規模な振る舞いモデリングやロボット基礎モデルなど、下流学習アプリケーションに高品質なデータを提供するように調整することができる。
  論文  参考訳（メタデータ） (2026-05-17T22:43:10Z)
• 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)
• System Identification under Constraints and Disturbance: A Bayesian Estimation Approach [5.58001571731715]
  本稿では,ロボットの状態軌跡と物理パラメータを高精度に推定するためのベイズシステム同定(SysID)フレームワークを提案する。 物理的に一貫した逆ダイナミクス、接触とループ閉鎖の制約を組み込んでおり、関節摩擦モデルを完全にハードでステージワイドな等式制約として特徴付ける。
  論文  参考訳（メタデータ） (2026-02-18T10:45:30Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via Physics Simulation [81.11585774044848]
  我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。 提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
  論文  参考訳（メタデータ） (2023-10-11T05:34:36Z)
• Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
  この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。 コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。 その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
  論文  参考訳（メタデータ） (2021-01-26T16:01:02Z)

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。