論文の概要: HOTICE: Whole-Body Humanoid Object Transportation in Cluttered Environments

• arxiv url: http://arxiv.org/abs/2609.25363v1
• Date: Mon, 21 Sep 2026 20:01:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.0948
• Title: HOTICE: Whole-Body Humanoid Object Transportation in Cluttered Environments
• Title（参考訳）: HOTICE: クラッタ環境における全体型ヒューマノイド物体輸送
• Abstract要約: HOTICEは, 乱雑な環境を対象物を運ぶための, 全身のヒューマノイド学習フレームワークである。 まず,ロボットと搬送物体の衝突回避誘導を共同で符号化するHumanoid-Object Decoupled potential Fieldsを紹介する。 第二に、全身のロコ操作に固有の大きなアクション空間に対処するため、二重エージェント強化学習アーキテクチャを設計する。
• 参考スコア（独自算出の注目度）: 7.840733596776448
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Object transportation is a fundamental capability for humanoid robots operating in real-world, human-centric environments, yet existing methods struggle when clutter constrains free space around both the robot and its carried payload. We present HOTICE, a whole-body humanoid learning framework for transporting objects through such cluttered environments. First, we introduce Humanoid-Object Decoupled Potential Fields, which jointly encode collision-avoidance guidance for the robot and the carried object, enabling coordinated, obstacle-aware motion for both. Second, to address the large action space inherent to whole-body loco-manipulation, we design a dual-agent reinforcement learning architecture that decouples upper- and lower-body control while preserving whole-body coordination via shared state observations and rewards. To train a policy that generalizes across diverse cluttered scenes, we further employ a specialist-to-generalist distillation strategy, in which privileged teacher policies are distilled into a single deployable student policy. We evaluate HOTICE in MuJoCo simulation and on a real Unitree G1 humanoid, demonstrating effective and robust object transportation across cluttered scenarios for objects of varying shapes. Our results show that HOTICE reliably coordinates whole-body motion and object-aware collision avoidance, generalizing effectively to previously unseen cluttered environments while achieving strong performance in sim2real deployment.
• Abstract（参考訳）: 物体の移動は、現実の人間中心の環境で動くヒューマノイドロボットにとって基本的な能力である。 HOTICEは, 物体を乱雑な環境に運ぶための, 全身ヒューマノイド学習フレームワークである。 まず,ロボットと搬送物体の衝突回避誘導を共同で符号化し,協調的かつ障害物対応の動作を可能にするヒューマノイド物体分離電位場について紹介する。 第二に, 全身操作に固有の大きな動作空間に対処するため, 両エージェント強化学習アーキテクチャを設計し, 上体と下体の制御を分離し, 共有状態の観察と報酬による全身協調を保ちながら設計する。 多様な散らばった場面にまたがって一般化する政策を訓練するために、特権教師政策を単一展開可能な学生政策に蒸留する専門-一般蒸留戦略を採用する。 We evaluate HootICE in MuJoCo Simulation and on a real Unitree G1 humanoid, showed effective and robust object transport across cluttered scenarios for various shapes。 以上の結果から,HOTICEは身体全体の動きや物体の衝突回避を確実に調整し,これまで見えなかった乱雑な環境を効果的に一般化し,sim2real の展開において高い性能を実現していることがわかった。

関連論文リスト

• Learning Scene-Aware Humanoid Locomotion through 3D Clutter from Immersive Human Demonstrations [12.666370295001066]
  through Clutter (MTC) は,シーン認識型ヒューマノイド移動のための学習支援フレームワークである。 MTCは、手続き的に生成されたバーチャルリアリティ環境を使用して没入型データ収集を行い、高価な物理的シーン構成をバイパスする。 MTCは、低クリアランスパスをクロールしたり、狭い隙間をスクイーズしたり、様々なボディスキルを通じて複雑な環境を横断することに成功した。
  論文  参考訳（メタデータ） (2026-09-17T21:47:20Z)
• 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)
• VAIC: Vision-Guided Humanoid Agile Object Interaction Control via Decoupled Commands [56.029505206531155]
  Vision Guided Agile Interaction Control (VAIC)は、現在のコントローラとヒューマノイドロボットのギャップを埋める統合フレームワークである。 まず、特権教師政策は、正確な物体運動学と正確な環境状態を用いて多様な相互作用スキルを習得する。 第二に、デプロイ可能な学生ポリシーは、全体追跡を複数の軸にまたがる速度目標に置き換えることで、これらの能力を蒸留する。
  論文  参考訳（メタデータ） (2026-06-08T09:52:55Z)
• Learning Multi-Agent Local Collision-Avoidance for Collaborative Carrying tasks with Coupled Quadrupedal Robots [6.448258402568988]
  本研究は、搬送対象物に機械的に接続された2つの四足歩行ロボットに焦点を当てる。 本稿では,近くの障害物との衝突を回避しつつ,命令された速度方向の追跡を可能にする強化学習に基づくポリシーを提案する。 球状接合によりバーに接続された2つの四足歩行ロボットに対するアプローチを検証し,最適化ベースおよび分散RLベースラインに対してベンチマークを行った。
  論文  参考訳（メタデータ） (2026-03-24T14:42:20Z)
• HAIC: Humanoid Agile Object Interaction Control via Dynamics-Aware World Model [56.4392302336014]
  本稿では,外部状態推定を伴わない多種多様なオブジェクトダイナミクス間のロバストな相互作用のためのフレームワークであるHAICを提案する。 我々の重要な貢献は、主観的歴史のみから高次対象状態(速度、加速度)を推定するダイナミクス予測器である。 ヒューマノイドロボットの実験では、HAICはアジャイルタスクで高い成功率を達成する。
  論文  参考訳（メタデータ） (2026-02-12T09:34:35Z)
• OmniRetarget: Interaction-Preserving Data Generation for Humanoid Whole-Body Loco-Manipulation and Scene Interaction [76.44108003274955]
  ヒューマノイドロボットの複雑なスキルを教えるための主要なパラダイムは、強化学習ポリシーの運動学的参照として人間の動きを再ターゲットすることである。 インタラクションメッシュに基づくインタラクション保存データ生成エンジンであるOmniRetargetを紹介する。 人間のメッシュとロボットメッシュの間のラプラシアの変形を最小限にすることで、OmniRetargetは運動学的に実現可能な軌道を生成する。
  論文  参考訳（メタデータ） (2025-09-30T17:59:02Z)
• HOSIG: Full-Body Human-Object-Scene Interaction Generation with Hierarchical Scene Perception [57.37135310143126]
  HO SIGは階層的なシーン認識を通じて全体インタラクションを合成するための新しいフレームワークである。 我々のフレームワークは、自己回帰生成による運動長の無制限化をサポートし、手動による介入を最小限に抑える。 この研究は、シーン認識ナビゲーションとデクスタラスオブジェクト操作の間に重要なギャップを埋める。
  論文  参考訳（メタデータ） (2025-06-02T12:08:08Z)
• Articulated Object Interaction in Unknown Scenes with Whole-Body Mobile Manipulation [16.79185733369416]
  未知の環境下における大型関節オブジェクトとの自律的相互作用のための2段階アーキテクチャを提案する。 第1段階は学習モデルを用いて、RGB-D入力から対象物の調音モデルを推定し、相互作用のための状態の動作条件列を予測する。 第2段階は、生成した運動計画に沿ってオブジェクトを操作する全身運動制御装置からなる。
  論文  参考訳（メタデータ） (2021-03-18T21:32:18Z)

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。