論文の概要: Contact-Guided Exploration for Non-Prehensile Locomanipulation with Multi-Critic RL

• arxiv url: http://arxiv.org/abs/2608.28140v1
• Date: Fri, 28 Aug 2026 10:00:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.267136
• Title: Contact-Guided Exploration for Non-Prehensile Locomanipulation with Multi-Critic RL
• Title（参考訳）: マルチクリティカルRLを用いた非定常ロコマニピュレーションのためのコンタクトガイドによる探索
• Abstract要約: 非包括的操作タスクのための接触誘導探索戦略を提案する。 専門的な調査評論家は、エンドエフェクターを意味のある接触点へと導く、密接な接触探索報酬で訓練される。 本研究は,箱押し,椅子搬送,食器洗浄器のオープニングタスクなど,複数のタスクに対するアプローチを評価する。
• 参考スコア（独自算出の注目度）: 11.088624971353106
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Non-prehensile manipulation offers versatile skills for moving and rearranging heavy or bulky objects, particularly when combined with a mobile manipulation platform. However, both model-based and model-free approaches struggle with the complex hybrid dynamics and the sparsity of the contact in these tasks. To address these challenges, we propose a contact-guided exploration strategy implemented within a Multi-Critic Reinforcement Learning (RL) framework. A dedicated exploration critic is trained with a dense contact-seeking reward that guides the end-effector toward meaningful contact points; its influence is progressively decayed to recover a task-optimal policy. We obtain candidate interaction points from a general-purpose grasping algorithm, enabling the exploration mechanism to generalise across various object geometries. We evaluate the approach on multiple tasks, including box pushing, chair transportation, and a dishwasher opening task. Finally, we validate the chair transportation policy through extensive experiments on a quadrupedal mobile manipulator, demonstrating deployable non-prehensile manipulation in the real world.
• Abstract（参考訳）: 非包括的操作は、特にモバイル操作プラットフォームと組み合わせた場合、重いオブジェクトやかさばるオブジェクトを移動および再配置するための多用途技術を提供する。 しかし、モデルベースとモデルフリーの両方のアプローチは、複雑なハイブリッド力学とこれらのタスクにおける接触の空間性に苦しむ。 これらの課題に対処するため,マルチクリティカル強化学習(RL)フレームワークに実装したコンタクトガイド型探索戦略を提案する。 専門的な調査評論家は、エンドエフェクターを意味のある接触点へ誘導する密接な接触探索報酬で訓練される。 汎用的な把握アルゴリズムから候補間相互作用点を求め,探索機構を様々な対象空間にわたって一般化する。 本研究は,箱押し,椅子搬送,食器洗浄器のオープニングタスクなど,複数のタスクに対するアプローチを評価する。 最後に,4段移動マニピュレータの広汎な実験により,実世界における非包括的操作の展開を実証し,椅子の搬送方針を検証した。

関連論文リスト

• Multi-Modal Manipulation via Multi-Modal Policy Consensus [62.49978559936122]
  本稿では,ロボット操作のための多様な感覚モダリティを統合するための新しいアプローチを提案する。 提案手法は,それぞれが単一の表現に特化している拡散モデルの集合にポリシーを分解する。 我々は、RLBenchにおけるシミュレーション操作タスクと、隠蔽対象のピック、手作業のスプーン再配向、パズル挿入といった実世界のタスクについて評価した。
  論文  参考訳（メタデータ） (2025-09-27T19:43:04Z)
• Sim-to-Real Reinforcement Learning for Vision-Based Dexterous Manipulation on Humanoids [56.892520712892804]
  本稿では,ヒューマノイドロボットを訓練して3つの巧妙な操作を行う,実用的なシミュレート・トゥ・リアルなRLレシピを提案する。 未確認のオブジェクトやロバストで適応的な政策行動に対して高い成功率を示す。
  論文  参考訳（メタデータ） (2025-02-27T18:59:52Z)
• Twisting Lids Off with Two Hands [82.21668778600414]
  シミュレーションで訓練された政策を実世界へ効果的かつ効率的に移行する方法を示す。 具体的には,ボトル状物体の蓋を両手でねじる問題について考察する。 これは、バイマガル・マルチフィンガーハンドでそのような機能を実現する最初のsim-to-real RLシステムである。
  論文  参考訳（メタデータ） (2024-03-04T18:59:30Z)
• Nonprehensile Planar Manipulation through Reinforcement Learning with Multimodal Categorical Exploration [8.343657309038285]
  強化学習はそのようなロボットコントローラを開発するための強力なフレームワークである。 分類分布を用いたマルチモーダル探索手法を提案する。 学習したポリシは外部の障害や観測ノイズに対して堅牢であり、複数のプッシュ器でタスクにスケールできることが示される。
  論文  参考訳（メタデータ） (2023-08-04T16:55:00Z)
• Latent Exploration for Reinforcement Learning [87.42776741119653]
  強化学習では、エージェントは環境を探索し、相互作用することでポリシーを学ぶ。 LATent TIme-Correlated Exploration (Lattice)を提案する。
  論文  参考訳（メタデータ） (2023-05-31T17:40:43Z)
• Composite Motion Learning with Task Control [0.6882042556551609]
  物理シミュレーション文字に対する合成およびタスク駆動動作制御のための深層学習法を提案する。 我々は,複数の識別器をGANライクな設定で使用することにより,複数の参照動作から,特定の身体部分に対する分離された動作を同時に,直接的に学習する。 本稿では,複合動作模倣と多目的制御の両方を含む多目的課題に対するアプローチの適用性を示す。
  論文  参考訳（メタデータ） (2023-05-05T05:02:41Z)
• Beyond Pick-and-Place: Tackling Robotic Stacking of Diverse Shapes [29.49728031012592]
  複雑な幾何学の物体を用いたロボット積み重ね問題について検討する。 我々は、シンプルな「ピック・アンド・プレイス」ソリューション以上の戦略を必要とするように慎重に設計された、挑戦的で多様なオブジェクトセットを提案する。 本手法は, 視覚に基づく対話型ポリシー蒸留とシミュレーションから現実への伝達を併用した強化学習 (RL) 手法である。
  論文  参考訳（メタデータ） (2021-10-12T17:46:06Z)
• Trajectory-based Reinforcement Learning of Non-prehensile Manipulation Skills for Semi-Autonomous Teleoperation [18.782289957834475]
  本稿では,RGB-Dセンサを用いたピックアップ・アンド・プレイスタスクのための半自律遠隔操作フレームワークを提案する。 トラジェクトリに基づく強化学習を用いて、非包括的操作を学習し、物体を再構成する。 提案手法は,握り時間の観点から手動キーボード制御よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-09-27T14:27:28Z)
• COCOI: Contact-aware Online Context Inference for Generalizable Non-planar Pushing [87.7257446869134]
  一般的なコンタクトリッチな操作問題は、ロボット工学における長年の課題である。 深層強化学習は、ロボット操作タスクの解決に大きな可能性を示している。 動的プロパティのコンテキスト埋め込みをオンラインにエンコードする深層RL法であるCOCOIを提案する。
  論文  参考訳（メタデータ） (2020-11-23T08:20:21Z)
• 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。