論文の概要: MorphIK: Morphology-Conditioned Neural Inverse Kinematics for Unknown Robots

• arxiv url: http://arxiv.org/abs/2609.29908v1
• Date: Thu, 24 Sep 2026 14:48:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:10.028393
• Title: MorphIK: Morphology-Conditioned Neural Inverse Kinematics for Unknown Robots
• Title（参考訳）: MorphIK:未知ロボットのための形態記述型ニューラル逆運動学
• Abstract要約: 回転接合型キネマティックチェインの逆キネマティックスを解くフローマッチングモデルであるMorphIKを提案する。 モデルは、見えない現実世界のロボットで約5cmの精度に達する。
• 参考スコア（独自算出の注目度）: 11.42642534356665
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural models can learn to generate various solutions to the inverse kinematics problem from data, but are usually limited to a single robot. We present MorphIK, a flow-matching model that solves inverse kinematics for revolute-joint-based kinematic chains it has never seen during training. The model uses a transformer architecture to encode the robot's morphology along with the target pose. This encoding then conditions a flow-matching head that generates poses from noise. Trained on purely synthetic data from procedurally generated robots, the model reaches a precision of about 5 cm on unseen real-world robots with 6 to 9 Degrees of Freedom. For higher precision, the model serves as an excellent Prior for further optimization algorithms, reducing error to less than 1 cm after a single step of Damped Least Squares optimization and to sub-1 mm error after 3 steps in most cases. Building on flow matching's generative capabilities to produce highly diverse outputs, our model can efficiently sample the robot's null space, providing a wide variety of configurations for the same pose. Thus, overall, MorphIK allows learning and generalizing neural inverse kinematics for a multitude of known and unknown robots.
• Abstract（参考訳）: ニューラルネットワークはデータから逆キネマティクス問題に対する様々な解を生成することができるが、通常は単一のロボットに限られる。 学習中に見たことのない回転接合型キネマティックチェインの逆キネマティックスを解くフローマッチングモデルであるMorphIKを提案する。 モデルはトランスフォーマーアーキテクチャを使用して、ターゲットのポーズとともにロボットの形態を符号化する。 この符号化は、ノイズからポーズを生成するフローマッチングヘッドを条件付ける。 プロシージャで生成されたロボットの純粋な合成データに基づいて、このモデルは6〜9自由度を持つ見えない現実世界のロボットに約5cmの精度で到達する。 精度を高めるために、このモデルはさらなる最適化アルゴリズムの優れた優先事項として機能し、ダンプリーストスクエアの1ステップの後に誤差を1cm未満に減らし、ほとんどの場合3ステップの後に1mm未満の誤差を減らした。 我々のモデルは,フローマッチングの生成能力に基づいて,ロボットのヌル空間を効率的にサンプリングし,同じポーズのさまざまな構成を提供する。 全体としてMorphIKは、多くの未知のロボットに対して、神経逆運動学の学習と一般化を可能にしている。

関連論文リスト

• Learning High-Fidelity Robot Self-Model with Articulated 3D Gaussian Splatting [6.9931035295773505]
  本稿では,ロボットの自己モデリングのための高品質,テクスチャ認識,リンクレベル手法を提案する。 我々は3Dガウスアンを用いて、ロボットの静的形態とテクスチャを表現し、3Dガウスアンをクラスタリングして神経楕円体骨を構築する。 関節角度でキネマティックニューラルネットワークを入力することにより,ロボットの形態,運動学,テクスチャをリンクレベルで記述することができる。
  論文  参考訳（メタデータ） (2025-03-07T13:21:18Z)
• Knowledge-based Neural Ordinary Differential Equations for Cosserat Rod-based Soft Robots [10.511173252165287]
  高空間次元のため,ソフトロボットの力学をモデル化することは困難である。 ディープラーニングアルゴリズムは、ソフトロボットのデータ駆動モデリングにおける約束を示している。 第一原理物理モデルとニューラル常微分方程式を組み合わせたフレームワークであるKNODE-Cosseratを提案する。
  論文  参考訳（メタデータ） (2024-08-14T19:07:28Z)
• DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative Diffusion Models [102.13968267347553]
  本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。 我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
  論文  参考訳（メタデータ） (2023-11-28T18:58:48Z)
• Robot Learning with Sensorimotor Pre-training [98.7755895548928]
  ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。 我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。 感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
  論文  参考訳（メタデータ） (2023-06-16T17:58:10Z)
• Kinematics Transformer: Solving The Inverse Modeling Problem of Soft Robots using Transformers [0.0]
  Kinematics Transformerは、ソフトロボット四肢の正確で正確な逆運動モデルを開発するために提案されている。 提案手法は, 逆キネマティクス問題を逐次予測問題として再キャストし, トランスアーキテクチャに基づく。 シミュレーションにより,本手法は軟手足の制御に有効であることがわかった。
  論文  参考訳（メタデータ） (2022-11-12T11:38:51Z)
• Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• Deep Imitation Learning for Bimanual Robotic Manipulation [70.56142804957187]
  本稿では,ロボットによるバイマニュアル操作のための深層模倣学習フレームワークを提案する。 中心となる課題は、操作スキルを異なる場所にあるオブジェクトに一般化することである。 i)マルチモーダルダイナミクスを要素運動プリミティブに分解し、(ii)リカレントグラフニューラルネットワークを用いて各プリミティブをパラメータ化して相互作用を捕捉し、(iii)プリミティブを逐次的に構成する高レベルプランナと、プリミティブダイナミクスと逆運動学制御を組み合わせた低レベルコントローラを統合することを提案する。
  論文  参考訳（メタデータ） (2020-10-11T01:40:03Z)

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。