論文の概要: PRISM: Projection-Integrated Sampling-Based MPC with Bayesian Cost Tuning for Bimanual Manipulation
- arxiv url: http://arxiv.org/abs/2608.25666v1
- Date: Wed, 26 Aug 2026 11:47:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:15.809632
- Title: PRISM: Projection-Integrated Sampling-Based MPC with Bayesian Cost Tuning for Bimanual Manipulation
- Title（参考訳）: PRISM:バイマニカルマニピュレーションのためのベイジアンコストチューニングによる投影型サンプリングベースMPC
- Abstract要約: 乱雑で接触に富んだ環境での双方向操作には、協調した動きの生成、相互作用を考慮した計画、厳密なキネマティック制約下での信頼性の高い実行が必要である。
複雑なデュアルアーム操作のためのオンラインワールドモデルとして,GPU加速物理シミュレータを用いたプロジェクション統合サンプリングベースモデル予測制御フレームワークであるPRISMを提案する。
- 参考スコア（独自算出の注目度）: 1.9669271611151167
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Bimanual manipulation in cluttered, contact-rich environments remains challenging because it requires coordinated motion generation, interaction-aware planning, and reliable execution under tight kinematic constraints. We present PRISM, a projection-integrated sampling-based Model Predictive Control (MPC) framework that uses a GPU-accelerated physics simulator as an online world model for complex dual-arm manipulation. The main algorithmic contribution is a QP-guided control sampling strategy that decouples trajectory exploration from kinematic feasibility. At each MPC step, sampled joint-velocity trajectories are projected onto the set of motions satisfying joint position, velocity, acceleration, and jerk bounds, together with an initial-velocity boundary condition, before rollout evaluation. This enables broad yet feasible exploration of coordinated bimanual behaviors. To support efficient online execution, we derive a custom ADMM/Bregman-splitting QP solver that exploits joint-wise separability and reusable matrix factorizations. We further use Bayesian optimization to tune task-cost weights offline, reducing manual parameter selection. We evaluate PRISM on challenging variants of PerAct$^{2}$ tasks, including obstacle-constrained ball transport, tray transport, cube handover, and box lifting. Experiments show improved robustness and task success relative to representative sampling-based baselines, while maintaining real-time or near-real-time execution. We also demonstrate successful sim-to-real transfer on dual UR5e manipulators, highlighting the practical potential of physics-based online planning for contact-rich bimanual manipulation. Project details, including code and supplementary videos, are available at \href{https://sites.google.com/view/prismbimanual}{\texttt{https://sites.google.com/view/prismbimanual}}.
- Abstract（参考訳）: 乱雑で接触に富んだ環境における双方向操作は、協調した動きの生成、相互作用を考慮した計画、厳密なキネマティック制約下での信頼性の高い実行を必要とするため、依然として困難なままである。
複雑なデュアルアーム操作のためのオンラインワールドモデルとしてGPU加速物理シミュレータを用いた,プロジェクション統合サンプリングベースモデル予測制御(MPC)フレームワークであるPRISMを提案する。
主なアルゴリズム的貢献はQP誘導制御サンプリング戦略であり、運動可能性から軌道探索を分離する。
各MPCステップでは、ロールアウト評価の前に、初期速度境界条件とともに、関節位置、速度、加速度、およびジャーク境界を満たす一連の運動にサンプルされた関節速度軌跡を投影する。
これにより、コーディネートされたバイマニュアルの振る舞いを広く、かつ実現可能な探索が可能となる。
オンラインの効率的な実行を支援するために,共同分離性と再利用可能な行列分解を利用したADMM/Bregman-splitting QPソルバを考案した。
さらにベイズ最適化を用いてタスクコストの重み付けをオフラインに調整し、手動パラメータの選択を減らした。
PRISMは,障害物拘束型ボール輸送,トレイ輸送,立方体ハンドオーバー,ボックスリフトなど,PerAct$^{2}$タスクの課題に対して評価する。
実時間およびほぼリアルタイム実行を維持しながら、サンプルベースラインの代表に対する頑健さとタスク成功を向上する実験を行った。
また、2台のUR5eマニピュレータ上でのsim-to-real転送を成功させ、接触豊富なバイマニュアル操作のための物理ベースのオンラインプランニングの実現可能性を強調した。
コードと補足ビデオを含むプロジェクトの詳細は、 \href{https://sites.google.com/view/prismbimanual}{\textt{https://sites.google.com/view/prismbimanual}}で見ることができる。
関連論文リスト
- 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) - KineBench: Benchmarking Embodied World Models via IDM-Free Kinematic Grounding [58.541098216700796]
エンボディド・ワールド・モデルの 物理的整合性を評価することは 重要なオープン・チャレンジです
既存のフレームワークはほとんどがアクション抽出に逆ダイナミクスモデル(IDM)に依存している。
IDMのないEWMのためのクローズドループベンチマークであるKineBenchを紹介する。
論文 参考訳（メタデータ） (2026-07-22T08:04:17Z) - CoStream: Composing Simple Behaviors for Generalizable Complex Manipulation [61.25264898597319]
複雑な操作能力は、単純で独立した振る舞いの合成から自然に現れることを示す。
基礎モデルと多種多様な感覚モダリティを複数の構成可能なコア動作に編成するフレームワークであるCoStreamを提案する。
我々は,日常的な操作や高精度なアセンブリにまたがる8つの実世界のタスクについて,CoStreamを実証する。
論文 参考訳（メタデータ） (2026-06-24T22:25:19Z) - Enabling Robust Cloth Manipulation via Inference-Time Simulator-in-the-Loop Refinement [16.29450701834732]
物理シミュレーターをバックエンドのロールアウトエンジンとして使用し、オンライン上で予測された軌道を並列に評価し、精巧な名目動作を行う。
シミュレーション可能な布の状態に単一のRGB観測をマッピングする,純粋に合成データに基づいて訓練された実似モジュールを開発した。
実ロボット実験では、成功率が高く、ベースライン法よりも強いことが示されている。
論文 参考訳（メタデータ） (2026-06-23T13:20:12Z) - Real-World Deployment of Massively Parallel Sampling-Based MPC for Contact-Rich Manipulation [21.501604407170273]
大規模並列化と効率的な計算に JAX を利用する MPC フレームワークを提案する。
我々は、Franka Research 3上でPush-T操作タスクを実行し、完全な実-実-実-実-実-パイプラインを通してデプロイする。
これらの知見は, コンタクトリッチな操作・接触感度, 厳密な計算予算, 情報伝達領域のランダム化信号のリアルタイム取得の難しさにおいて, サンプリングベースMPCの課題を浮き彫りにした。
論文 参考訳（メタデータ） (2026-06-16T12:24:05Z) - Robustness without Wrinkles: Parallel Simulation and Robust MPC for Certified Deformable Manipulation [3.88671418022057]
我々は,安全変形可能なオブジェクト操作をリアルタイムに制御するCORD-SLSについて,ロープや布に焦点をあてる。
コアとなるのは、効率的な勾配ベースの計画を可能にする接触平滑化を備えたGPU並列微分シミュレータである。
実時間,GPU並列出力フィードバック型ロバストモデル予測制御(MPC)アルゴリズムを開発した。
論文 参考訳（メタデータ） (2026-06-12T07:10:56Z) - ParaMaP: Parallel Mapping and Collision-free Motion Planning for Reactive Robot Manipulation [17.260700135265267]
未知の環境でのロボット操作には、リアルタイムおよび衝突のないモーションプランニングが依然として困難である。
本研究では,Euclidean Distance Transform(EDT)に基づく環境表現をサンプリングベースモデル予測制御(SMPC)プランナと密に統合する並列マッピングと動作計画フレームワークを提案する。
提案手法の有効性は, 7-DoFロボットマニピュレータを用いた広範囲なシミュレーションと実世界の実験により検証した。
論文 参考訳（メタデータ） (2025-12-27T12:24:10Z) - DriveTransformer: Unified Transformer for Scalable End-to-End Autonomous Driving [62.62464518137153]
DriveTransformerは、スケールアップを簡単にするためのシンプルなE2E-ADフレームワークである。
タスク・セルフ・アテンション、センサー・クロス・アテンション、時間的クロス・アテンションという3つの統合された操作で構成されている。
シミュレーションされたクローズドループベンチマークBench2Driveと、FPSの高い実世界のオープンループベンチマークnuScenesの両方で、最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-03-07T11:41:18Z) - SIMPL: A Simple and Efficient Multi-agent Motion Prediction Baseline for
Autonomous Driving [27.776472262857045]
本稿では,自動運転車のための簡易かつ効率的な運動予測ベースライン(SIMPL)を提案する。
メッセージ転送を対称的に行う,コンパクトで効率的なグローバル機能融合モジュールを提案する。
強力なベースラインとして、SIMPLはArgoverse 1と2のモーション予測ベンチマークで高い競争性能を示す。
論文 参考訳（メタデータ） (2024-02-04T15:07:49Z) - TLControl: Trajectory and Language Control for Human Motion Synthesis [68.09806223962323]
本稿では,人間のリアルな動き合成のための新しい手法であるTLControlを提案する。
低レベルのTrajectoryと高レベルのLanguage semanticsコントロールが組み込まれている。
インタラクティブで高品質なアニメーション生成には実用的である。
論文 参考訳（メタデータ） (2023-11-28T18:54:16Z) - Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。
連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。
我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
論文 参考訳（メタデータ） (2021-11-15T18:50:04Z)
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。