論文の概要: Force-Aware Reinforcement Learning with Hybrid Sensorless Force Estimation for Wheeled-Legged Loco-Manipulation
- arxiv url: http://arxiv.org/abs/2609.13779v1
- Date: Sat, 12 Sep 2026 07:46:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.549777
- Title: Force-Aware Reinforcement Learning with Hybrid Sensorless Force Estimation for Wheeled-Legged Loco-Manipulation
- Title（参考訳）: 車輪レスロコマニピュレーションのためのハイブリッドセンサレス力推定による力覚強化学習
- Abstract要約: 力制御されたロコ操作は、移動と腕の動きを協調する全身ポリシーを必要とする。
本報告では,車輪付きレッグ式ロコマニピュレーションのためのハイブリッドセンサレス力推定を用いた力覚強化学習手法を提案する。
- 参考スコア（独自算出の注目度）: 14.501012360823886
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Force-controlled loco-manipulation requires a whole-body policy to coordinate locomotion and arm motion while regulating end-effector interaction forces. This is challenging under floating-base dynamics and changing support contacts, particularly when end-effector force/torque sensing is unavailable for control. This paper presents a force-aware reinforcement learning approach with hybrid sensorless force estimation for wheeled-legged loco-manipulation. The proposed method provides a structured estimate of the end-effector force as an explicit policy observation, enabling force-guided contact behavior without using an end-effector force/torque sensor for control. The force estimate is obtained by combining generalized momentum observation, contact-constrained wrench projection, and temporal residual learning: the model-based components extract the physically structured part of the whole-body disturbance, while the residual network compensates the remaining motion-dependent bias. The estimated force is integrated into a mode-conditioned whole-body policy with an axis-wise force/position selector, allowing free-space motion, pure force regulation, and hybrid force/position control within one controller. Simulation results demonstrate improved sensorless force estimation and force-control performance. Hardware experiments further validate the proposed controller through quantitative valve-rotation and hybrid wiping evaluations, together with force-guided door opening and zero-force human-guided motion on a real wheeled-legged platform.
- Abstract（参考訳）: 力制御されたロコ操作は、エンドエフェクタ相互作用力を調節しながら、運動と腕の動きを調整するための全身ポリシーを必要とする。
これは、フローティングベースダイナミクスやサポートコンタクトの変更、特にエンドエフェクタの力/トルクのセンシングが制御できない場合、難しい。
本報告では,車輪付きレッグ式ロコマニピュレーションのためのハイブリッドセンサレス力推定を用いた力覚強化学習手法を提案する。
提案手法は, エンドエフェクタ力/トルクセンサを制御用として使用せずに, 強制誘導接触動作を可能にするための明示的なポリシ観測として, エンドエフェクタ力を構造化した推定値を提供する。
力推定は、一般運動量観測、接触拘束されたレンチ投影、時間的残留学習を組み合わせたもので、モデルベースコンポーネントは体外乱の物理的に構造化された部分を抽出し、残留ネットワークは残りの動き依存バイアスを補償する。
推定力は、軸方向の力/位置セレクタを備えたモード条件の全身ポリシーに統合され、自由空間運動、純粋な力規制、ハイブリッド力/位置制御を1つのコントローラ内で行うことができる。
シミュレーションの結果, センサレス力推定と力制御性能が向上した。
ハードウェア実験により、実際の車輪付き脚のプラットフォーム上での強制扉開放と無力人間の誘導運動とともに、定量的なバルブ回転とハイブリッドワイピング評価により、提案した制御器をさらに検証した。
関連論文リスト
- TAC-LOCO: Unified Whole-Body Control for Quadrupedal TACtile-Informed LOCO-Manipulation [13.785492911693098]
動的ロコ操作では、不確実な外力下での把握された物体との安定した物理的相互作用を維持しながら、脚のあるロボットが全身の動きを調整する必要がある。
触覚を付加した統合強化学習フレームワークであるTAC-LOCOを提案する。
We deploy the policy zero-shot on a Unitree Go2 with an Interbotix WidowX 250 arm and tactile gripper, showed dynamic tactile-informed loco-manipulation under various external interaction。
論文 参考訳（メタデータ） (2026-07-11T05:45:24Z) - Closing the Reality Gap: Zero-Shot Sim-to-Real Deployment for Dexterous Force-Based Grasping and Manipulation [17.63466252699545]
人間のような器用な手は人間レベルの操作機能を提供するが、実際のハードウェアにデプロイできるコントロールポリシーを訓練することは困難である。
本稿では,高密度触覚フィードバックと関節トルクセンサを併用したシミュレート・トゥ・リアル強化学習法を提案する。
これは、シミュレーションで完全に訓練され、実際のハードウェア上でゼロショットを転送するマルチフィンガーデキスタラスハンドにおける制御可能なグリップの初めてのデモンストレーションである。
論文 参考訳（メタデータ） (2026-07-06T11:15:36Z) - Object Manipulation of the Variable Topology Truss system [7.177683001482471]
本稿では,多変数トポロジトラスシステムのためのオブジェクト操作戦略を提案する。
本発明のトラスロボットは、受動球関節で連結された作動トラス部材を含む。
位置と力の制御を明示的な疎結合なしに同時に行うハイブリッド制御フレームワークを導入する。
論文 参考訳（メタデータ） (2026-05-13T06:55:11Z) - 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) - ForceVLA2: Unleashing Hybrid Force-Position Control with Force Awareness for Contact-Rich Manipulation [75.39847750457626]
エンドツーエンドの視覚言語アクションフレームワークであるForceVLA2は、ハイブリッドな力配置制御と明示的な力覚を備えたロボットを装備する。
学習と評価を支援するために,5つの接触豊富なタスクに1,000の軌道を含むForceVLA2-Datasetを構築した。
実験により、ForceVLA2は接触リッチな操作における成功率と信頼性を大幅に改善することが示された。
論文 参考訳（メタデータ） (2026-03-16T12:03:58Z) - 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) - Safe Whole-Body Loco-Manipulation via Combined Model and Learning-based Control [46.47619556874003]
そこで本研究では,マニピュレータアームのモデルベースアプタンス制御と足歩行の強化学習ポリシを組み合わせた全身制御を提案する。
アクセタンスコントローラは、物理的相互作用中に人間によって適用されるような外部レンチを、望ましいエンドエフェクタ速度にマッピングし、従順な振る舞いを可能にする。
6-DoFアームと手首に装着した6-DoF Force/Torqueセンサーを備えたUnitree Go2四足歩行ロボットを用いて,シミュレーションとハードウェアの両方におけるアプローチを検証する。
論文 参考訳（メタデータ） (2026-03-02T22:31:12Z) - Synchronized Online Friction Estimation and Adaptive Grasp Control for Robust Gentle Grasp [3.201799966622367]
視覚に基づく触覚センサを用いた摩擦係数のリアルタイム推定のための新しい粒子フィルタ法を提案する。
この推定値は、安定グリップを維持するためにグリップ力を動的に変調するリアクティブコントローラにシームレスに統合される。
論文 参考訳（メタデータ） (2026-02-02T12:21:27Z) - UniForce: A Unified Latent Force Model for Robot Manipulation with Diverse Tactile Sensors [51.88112610411651]
そこで本研究では,多様な触覚センサにまたがる共用潜在力空間を学習する,新しい統合された触覚表現学習フレームワークを提案する。
UniForceは、逆ダイナミクス(image-to-force)とフォワードダイナミクス(force-to-image)を共同モデリングすることで、クロスセンサー領域シフトを低減する
高価な外部力/トルクセンサ(F/T)への依存を避けるため,静的平衡を利用して直接センサ・オブジェクト・センサ・インタラクションを介して力対効果データを収集する。
論文 参考訳（メタデータ） (2026-02-01T11:03:01Z) - 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。