論文の概要: Learning Multi-Humanoid Pickup and Transport via Decentralized Object-Centric Control

• arxiv url: http://arxiv.org/abs/2609.17824v1
• Date: Tue, 15 Sep 2026 20:40:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.538169
• Title: Learning Multi-Humanoid Pickup and Transport via Decentralized Object-Centric Control
• Title（参考訳）: 分散オブジェクト中心制御によるマルチヒューマノイドピックアップと輸送の学習
• Abstract要約: 我々は, 大きさ, 重量, 形状の異なる物体の協調的マルチヒューマノイドピックアップと輸送について検討した。 本手法では,各ヒューマノイドが共有オブジェクト上の局所的なアタッチメント領域に割り当てられる分散オブジェクト中心制御を用いる。 このアタッチメントベースのインタフェースは、単一ロボットのピックアップ、協調的マルチロボット輸送、ロボットからロボットへのハンドオーバにまたがる共通の制御抽象化を提供する。
• 参考スコア（独自算出の注目度）: 11.10095088851388
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study cooperative multi-humanoid pickup and transport of objects with varying size, weight, and geometry, requiring robot teams of different sizes. Our approach uses decentralized object-centric control, where each humanoid is assigned a local attachment region on the shared object and learns to realize pickup and transport through gripperless bimanual pinching. This attachment-based interface provides a common control abstraction spanning single-robot pickup, cooperative multi-robot transport, and robot-to-robot handover, without per-task redesign. We find that policies trained only on single-robot pickup already transfer nontrivially to cooperative settings, suggesting that this abstraction captures much of the structure needed for coordination. At the same time, explicit multi-robot training further improves performance, showing that shared-object coupling introduces coordination dynamics that are beneficial to learn directly. We validate the approach in simulation across varying team sizes and object geometries, and demonstrate sim-to-real transfer on hardware, where the learned controllers enable real humanoids to perform cooperative manipulation tasks.
• Abstract（参考訳）: 我々は,異なる大きさのロボットチームを必要とする,大きさ,重量,形状の異なる物体の協調的マルチヒューマノイドピックアップと輸送について検討した。 提案手法は分散オブジェクト中心制御を用いており、各ヒューマノイドは共有オブジェクトに局所的なアタッチメント領域を割り当て、グリップレスバイマニュアルピンチによるピックアップとトランスポートの実現を学習する。 このアタッチメントベースのインタフェースは、シングルロボットピックアップ、協調的なマルチロボットトランスポート、ロボットとロボットのハンドオーバにまたがる共通の制御抽象化を提供する。 単一ロボットのピックアップにのみ訓練されたポリシーは、すでに協調的な設定に非自明に移行しており、この抽象化が協調に必要な構造の多くを捉えていることを示唆している。 同時に、明示的なマルチロボットトレーニングによりパフォーマンスがさらに向上し、共有オブジェクトの結合が直接学習する上で有益であるコーディネーションダイナミクスを導入していることを示す。 我々は,様々なチームサイズやオブジェクトジオメトリのシミュレーションにおけるアプローチを検証するとともに,ハードウェア上でのsim-to-realトランスファーを実証し,実際のヒューマノイドが協調的な操作を行えるようにした。

関連論文リスト

• ViLoMan: Learning Visual-Proprioceptive Whole-Body Loco-Manipulation Skills for Humanoid Robots [56.6238848953359]
  ViLoManは、自律的なヒューマノイドロコ操作のためのスケーラブルなフレームワークである。 自我中心の深度観測と主観的測定を直接ジョイントレベル全体の行動にマッピングする統一的なポリシーを学ぶ。
  論文  参考訳（メタデータ） (2026-09-16T19:10:13Z)
• CHORUS: Decentralized Multi-Embodiment Collaboration with One VLA Policy [67.76658561040625]
  CHORUSは、多様なマルチロボットチームを制御するために、単一のビジョン言語アクション(VLA)バックボーンに適応するフレームワークである。 実験では、CHORUSは分散化されたスクラッチモデルよりも64%のポイント改善を実現している。 その結果,共有VLAバックボーンは分散マルチロボットコラボレーションを実現することができることがわかった。
  論文  参考訳（メタデータ） (2026-06-10T17:26:08Z)
• Shape Formation for the Cooperative Transportation of Arbitrary Objects Using Multi-Agent Reinforcement Learning [18.832425264464074]
  一般的な輸送戦略は、マルチロボットシステム上にオブジェクトを運ぶことである。 現実世界の物体によって引き起こされる特定の課題は、その潜在的に任意の形状と非一様質量分布である。 本稿では,この問題を解決するために,新しいマルチエージェント強化学習手法を提案する。
  論文  参考訳（メタデータ） (2026-06-08T15:18:14Z)
• SynAgent: Generalizable Cooperative Humanoid Manipulation via Solo-to-Cooperative Agent Synergy [59.86199649493784]
  制御可能な協調的ヒューマノイド操作は、インボディードインテリジェンスにとって根本的な問題である。 スケーラブルで物理的に妥当な協調操作を可能にするフレームワークであるSynAgentを提案する。 実験では、SynAgentは協調模倣と軌道条件制御の両方において既存のベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-04-20T17:46:20Z)
• TeamHOI: Learning a Unified Policy for Cooperative Human-Object Interactions with Any Team Size [54.0714652192002]
  物理に基づくヒューマノイド制御は、現実的でハイパフォーマンスな単一エージェントの動作を可能にするために顕著な進歩を遂げた。 我々は,複数の協力エージェント間で協調的なHOIを処理するための,単一の分散政策を実現するためのフレームワークであるTeamHOIを提案する。
  論文  参考訳（メタデータ） (2026-03-09T05:52:13Z)
• Efficient and Compliant Control Framework for Versatile Human-Humanoid Collaborative Transportation [2.4087148947930634]
  本稿では,ヒューマノイドロボットが人間のパートナーと共同で移動作業を行うための制御フレームワークを提案する。 このフレームワークは翻訳運動と回転運動の両方をサポートしており、これは同時輸送のシナリオの基本である。 高レベルプランナー、低レベルコントローラ、剛性調節機構の3つのコンポーネントから構成される。
  論文  参考訳（メタデータ） (2025-12-08T18:52:10Z)
• Learning Video Generation for Robotic Manipulation with Collaborative Trajectory Control [72.00655365269]
  本稿では,協調的軌跡定式化を通じてオブジェクト間ダイナミクスをモデル化する新しいフレームワークであるRoboMasterを紹介する。 オブジェクトを分解する従来の方法とは異なり、我々のコアは、相互作用プロセスを3つのサブステージ(相互作用前、相互作用後、相互作用後)に分解することである。 提案手法は既存の手法よりも優れており,ロボット操作のための軌道制御ビデオ生成における最先端性能を確立している。
  論文  参考訳（メタデータ） (2025-06-02T17:57:06Z)
• CooHOI: Learning Cooperative Human-Object Interaction with Manipulated Object Dynamics [44.30880626337739]
  CooHOIはマルチヒューマノイド物体輸送問題の解決を目的としたフレームワークである。 単一のヒューマノイドキャラクタは、人間の動きの先行から模倣学習を通じてオブジェクトと対話することを学ぶ。 そして、ヒューマノイドは、操作対象の共有ダイナミクスを考慮し、他人と協調することを学ぶ。
  論文  参考訳（メタデータ） (2024-06-20T17:59:22Z)
• CLAS: Coordinating Multi-Robot Manipulation with Central Latent Action Spaces [9.578169216444813]
  本稿では,異なるエージェント間で共有される学習された潜在行動空間を通じて,マルチロボット操作を協調する手法を提案する。 シミュレーションされたマルチロボット操作タスクにおいて本手法を検証し,サンプル効率と学習性能の観点から,従来のベースラインよりも改善したことを示す。
  論文  参考訳（メタデータ） (2022-11-28T23:20:47Z)
• V-MAO: Generative Modeling for Multi-Arm Manipulation of Articulated Objects [51.79035249464852]
  本稿では,音声による物体のマルチアーム操作を学習するためのフレームワークを提案する。 本フレームワークは,各ロボットアームの剛部上の接触点分布を学習する変動生成モデルを含む。
  論文  参考訳（メタデータ） (2021-11-07T02:31:09Z)

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。