論文の概要: Generative Action-Chunk Sampling for Adaptive Stiffness Control in Physical Human-Robot Collaboration
- arxiv url: http://arxiv.org/abs/2608.25284v1
- Date: Wed, 26 Aug 2026 01:44:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:15.528485
- Title: Generative Action-Chunk Sampling for Adaptive Stiffness Control in Physical Human-Robot Collaboration
- Title（参考訳）: 物理ロボット協調における適応的剛性制御のためのジェネレーションアクション・チャンクサンプリング
- Abstract要約: 生成動作チャンクサンプリングに基づく適応剛性フレームワークを提案する。
試料のアクションチャンクの変動は、継手硬さと減衰を連続的に適応するために用いられる。
これらの結果は、生成ポリシーによってサンプリングされた行動の変動が、物理的人間とロボットの相互作用における支援とコンプライアンスのバランスをとるためのオンライン制御信号として機能することを示唆している。
- 参考スコア（独自算出の注目度）: 27.70480642883999
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Physical human-robot collaboration requires a robot to provide assistance when human intention is clear while remaining compliant when several future motions are plausible. We present an adaptive stiffness framework based on generative action-chunk sampling. Conditioned on an RGB image and external joint-torque estimates, the policy samples multiple future action chunks from an observation-conditioned prior. Variation among the sampled action chunks is used to continuously adapt joint stiffness and damping. Greater variation makes the robot more compliant to facilitate human guidance, whereas lower variation provides firmer assistance. In a real-world collaborative transport task with four possible directions, the proposed method achieved an average success rate of 0.95, compared with 0.83 for a fixed-stiffness ablation and 0.69 for a deterministic baseline. Near direction determination, variation among the sampled action chunks increased and the controller accordingly reduced stiffness. These results suggest that variation among actions sampled by a generative policy can serve as an online control signal for balancing assistance and compliance in physical human-robot interaction.
- Abstract（参考訳）: 物理的な人間とロボットのコラボレーションは、人間の意図が明確でありながら、いくつかの将来の動きが確実な場合にも、ロボットが支援を提供する必要がある。
生成動作チャンクサンプリングに基づく適応剛性フレームワークを提案する。
RGB画像と外部のジョイントトルク推定に基づいて、ポリシーは、観測条件付き前の複数の将来のアクションチャンクをサンプリングする。
試料のアクションチャンクの変動は、継手硬さと減衰を連続的に適応するために用いられる。
より大きなバリエーションは、ロボットを人間の誘導に適合させる一方、低いバリエーションはより堅固な補助を提供する。
提案手法は, 4方向の協調輸送作業において, 固定剛性アブレーションの0.83, 決定論的ベースラインの0.69に対して, 平均成功率0.95を達成した。
方向決定付近では, 試料の作用チャンクの変動が増加し, 制御器の剛性は低下した。
これらの結果は、生成ポリシーによってサンプリングされた行動の変動が、物理的人間とロボットの相互作用における支援とコンプライアンスのバランスをとるためのオンライン制御信号として機能することを示唆している。
関連論文リスト
- Primitive-Informed Sampling-Based MPC for Multi-Fingered Dexterous Manipulation [3.693403461852542]
本稿では,デクスタラス操作のためのプリミティブインフォームドサンプリングベースモデル予測制御(MPC)フレームワークを提案する。
本フレームワークは, 協調指の動きを符号化する低次元操作プリミティブを用いて, サンプリングをバイアスする。
我々は、MuJoCoデジタルツインを用いた物理アレグロハンドのアプローチを評価する。
論文 参考訳（メタデータ） (2026-09-14T00:36:17Z) - Adaptive Shared Control with Online Bounded-Rational Human Behavior Estimation [0.0]
本研究では,非線形制御アフィン系に対する適応型共有ロボット制御について考察する。
我々は2人プレイヤゲームのレベルk有界有理性モデルを用いて、候補となる人間とロボットのポリシーの有限バンクを構築する。
論文 参考訳（メタデータ） (2026-09-09T14:15:11Z) - Variational Neural Belief Parameterizations for Robust Dexterous Grasping under Multimodal Uncertainty [5.4872967954342675]
リスクに敏感なPOMDPは、スケールの低さ、勾配に基づく最適化、条件付き値-アット・リスクの推定といった粒子フィルタの信念を使用する。
代わりに、潜在接触パラメータとオブジェクトのポーズに対する変分推論として把握獲得を定式化し、微分可能なガウス混合による信念を表現する。
論文 参考訳（メタデータ） (2026-04-28T17:40:49Z) - Learn Weightlessness: Imitate Non-Self-Stabilizing Motions on Humanoid Robot [56.377161933570335]
人間は自然に非自己安定化(NSS)運動中に「無重力」状態を利用する。
この生物学的メカニズムに着想を得て,データセットのアノテーションに対する無重力自動ラベル方式を提案する。
我々の研究は、正確な軌道追跡と適応的な環境相互作用のギャップを埋め、接触リッチなヒューマノイド制御のための生物学的にインスパイアされたソリューションを提供する。
論文 参考訳（メタデータ） (2026-04-23T07:10:05Z) - Consistency-Driven Dual LSTM Models for Kinematic Control of a Wearable Soft Robotic Arm [33.333272339511446]
本稿では,ウェアラブルデバイスに組み込まれた空気圧作動式ロボットアームの前方および逆運動学を正確に学習するための一貫性駆動型デュアルLSTMフレームワークを提案する。
この手法は, アクティベーション入力とエンドエフェクタ位置の1対1マッピング問題に対処しながら, ソフト空気圧アクチュエータの非線形およびヒステリックな挙動を効果的に捉えている。
論文 参考訳（メタデータ） (2026-03-18T12:51:12Z) - MorFiC: Fixing Value Miscalibration for Zero-Shot Quadruped Transfer [50.54752207285298]
異なる形態を持つ四足歩行ロボット間で学習された移動ポリシーを一般化することは、依然として課題である。
単一共有ポリシを用いたゼロショットクロスモルフォロジーロコモーションのための強化学習手法であるMorFiCを提案する。
また,MorFiCは,形態素間の値予測誤差の分散を低減し,有利な推定値を安定化することを示した。
論文 参考訳（メタデータ） (2026-03-15T19:03:34Z) - Sticky-Glance: Robust Intent Recognition for Human Robot Collaboration via Single-Glance [24.0711921276237]
本研究では,物体中心の視線接地フレームワークを提案する。
推測された意図は、最小3つの視線サンプルを持つ短い視線の下でも、対象物に固定されている。
動的トラッキング、マルチパースペクティブアライメント、ベースライン比較、ユーザスタディ、アブレーション研究にわたる実験は、堅牢性、効率性、作業負荷の削減を実証している。
論文 参考訳（メタデータ） (2026-03-06T10:27:12Z) - One-shot Humanoid Whole-body Motion Learning [18.375746497945023]
通常、動作カテゴリごとに複数のトレーニングサンプルを必要とする。
本研究では,1つの非歩行目標運動サンプルのみを用いて,効果的なヒューマノイド運動ポリシーを訓練する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2025-10-29T07:48:10Z) - 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) - 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) - Risk-Sensitive Sequential Action Control with Multi-Modal Human
Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。
私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。
シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
論文 参考訳（メタデータ） (2020-09-12T02:02:52Z) - Learning Compliance Adaptation in Contact-Rich Manipulation [81.40695846555955]
本稿では,コンタクトリッチタスクに必要な力プロファイルの予測モデルを学習するための新しいアプローチを提案する。
このアプローチは、双方向Gated Recurrent Units (Bi-GRU) に基づく異常検出と適応力/インピーダンス制御を組み合わせたものである。
論文 参考訳（メタデータ） (2020-05-01T05:23:34Z)
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。