論文の概要: Proprioceptive Force Estimation for Quadruped Locomotion and Human-Robot Interaction
- arxiv url: http://arxiv.org/abs/2609.34222v1
- Date: Mon, 28 Sep 2026 03:27:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 22:48:26.416527
- Title: Proprioceptive Force Estimation for Quadruped Locomotion and Human-Robot Interaction
- Title（参考訳）: 四足歩行と人間とロボットの相互作用に対する受動的力推定
- Abstract要約: 装填力は移動中に収容されなければならないが、レッシュ力は所望の動作を指定できる。
推定器と移動ポリシーは、監督力と速度出力で共同で訓練される。
持続力シミュレーションでは、成分方向の根平均平方誤差の時間平均値は1.44から2.83,Nである。
- 参考スコア（独自算出の注目度）: 8.283266501796566
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Payload forces must be accommodated during locomotion, while leash forces can specify desired motion. We investigate whether a shared three-dimensional force estimate in newtons, inferred from proprioceptive history under sustained loading, can support both tasks. An estimator and locomotion policy are jointly trained with supervised force and velocity outputs and learned latent context. The estimated force conditions locomotion and additionally generates planar-velocity and yaw-rate commands for leash guidance through an analytical map. In sustained-force simulation sweeps, temporal means of componentwise force root mean square error range from 1.44 to 2.83\,N. Compared with a domain-randomized baseline, the framework reduces velocity-tracking and base-orientation error scores by 21.6\% and 46.5\%, respectively, and increases mean survival from 68.29\% to 94.60\% in separate sustained-force tests. Unitree Go1 experiments demonstrate stationary vertical and horizontal force estimation, locomotion with an 8.5\,kg payload whose weight exceeds the 70\,N training force limit, and leash guidance using the same force-estimation interface.
- Abstract（参考訳）: 装填力は移動中に収容されなければならないが、レッシュ力は所望の動作を指定できる。
本研究は, ニュートンにおける3次元力の共有が, 持続荷重下での固有受容履歴から推定され, 双方の作業を支援することができるかどうかを考察する。
推定器と移動ポリシーは、教師付き力と速度出力で共同で訓練され、学習された潜時文脈で学習される。
推定された力条件は移動し、解析地図を通して、リード誘導のための平面速度およびヨーレートコマンドを生成する。
持続力シミュレーションでは、成分方向の根平均平方誤差の時間平均値は1.44から2.83\,Nである。
ドメインランダム化ベースラインと比較して、このフレームワークはベロシティトラッキングとベースオリエンテーションの誤差スコアをそれぞれ21.6\%と46.5\%に減らし、独立した持続力試験で平均生存率を68.29\%から94.60\%に向上させる。
ユニツリーGo1実験では、静止垂直および水平の力の推定、重量が70\,Nの訓練力限界を超える8.5\,kgのペイロードによる移動、同じ力推定インターフェースを用いたレッシュガイダンスが実証されている。
関連論文リスト
- ForceTwin: Physics-informed Digital Twins for Robotic Manipulation from Instrumented Human Interaction [50.52713367623184]
ForceTwin(フォーストイン)は、計測された人間との相互作用から、音声で表現された物体の物理情報を持つデジタル双対を識別するシステムである。
我々は, 慣性, クーロン摩擦, 減衰, 構造的残効状態依存機構力を含む調音, パラメトリックダイナミクスを推定する。
特定された双子を使って、全身のドア・トラバーサルポリシーを訓練し、現実世界に展開します。
論文 参考訳（メタデータ） (2026-09-18T13:26:32Z) - Assistance Torque Estimation via Dynamics-Aware Optimization for Lower-Limb Exoskeleton in Complex Environments [7.687185026547581]
地道な人間の関節トルク推定は、限られた屋外使用性と相当な展開費用に苦しむモーションキャプチャーシステムに依存している。
本稿では,動的モデルに基づく新しい補助トルク推定法を提案する。
最適化の観点から,提案手法はモータアシストトルクを直接生成し,データ取得コストを低減させる。
論文 参考訳（メタデータ） (2026-09-14T10:36:49Z) - GigaBrain-WBC-0.5: A Behavior World Model for Robust Whole-Body Control with Environment Interaction [68.67772166423812]
ヒューマノイド全身制御のための行動世界モデル(BWM)であるGigaBrain-WBC-0.5を提案する。
純粋にリアクティブなトラッカーではなく、因果トランスフォーマーをトレーニングして、次のアクション、次の状態、次の潜伏動作コマンドに対する分布を共同で予測します。
自動地形アノテーションパイプラインは、再ターゲティングされた動きから完全な3D接触形状を復元し、既存の動きデータセットのスケールでの地形アノテートを可能にする。
論文 参考訳（メタデータ） (2026-08-18T18:21:36Z) - Deep Reinforcement-Learning-Guided Model Predictive Control for Preventing Overtakes in Autonomous Racing [1.7396274240172123]
本論文は、自律走行における防御的障害に対処し、車両がダイナミックな限界付近で動作している間に、より高速な相手が乗っ取らないようにしなければならない。
我々は,階層型強化学習モデル予測制御フレームワークを用いて,防衛を空間的占有規制問題として定式化する。
このフレームワークは33.3msの平均解時間 (13.9ms) を達成する。
論文 参考訳（メタデータ） (2026-07-23T06:50:59Z) - SevDiff: Severity-Conditioned Diffusion for Long-Tail Conflict Trajectory Generation [0.0]
本稿では、重度条件付きdenoising diffusion probabilistic model(DDPM)であるSevDiffを紹介する。
衝突の重大度が要求と一致し、ヒットレートメトリックで評価された、ペア化された車両の相互作用軌跡を生成する。
TTCで0.5-1.5秒、2.0-2.5秒で97-99%、TTC = 5.0秒で39%と優雅に劣化する。
論文 参考訳（メタデータ） (2026-07-13T22:17:48Z) - Learning Dynamic Pick-and-Place for a Legged Manipulator [8.027246382283003]
本研究では,6-DOFロボットアームを装備した四足歩行を用いた動的ピック・アンド・プレイス作業のための階層的強化学習フレームワークを提案する。
シミュレーションでは、最大2.3kgまでのペイロードで86.05%の成功率を達成した。
地上レベルから1.1mの高さまで幅広い垂直ワークスペースにおいて、このシステムは最大1.3kgまでのペイロードに対して平均73.3%の成功率を示す。
論文 参考訳（メタデータ） (2026-05-15T08:04:07Z) - 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) - Gait-Adaptive Perceptive Humanoid Locomotion with Real-Time Under-Base Terrain Reconstruction [86.53248703859718]
本研究では,地形認識,歩行制御,全身制御を一つの強化学習ポリシーにマージする知覚的移動フレームワークを提案する。
31-DoF、1.65mのヒューマノイドロボットによる実験は、シミュレーションと実世界の両方で堅牢な移動を実証している。
論文 参考訳（メタデータ） (2025-12-08T11:42:41Z) - Fast-MoCo: Boost Momentum-based Contrastive Learning with Combinatorial
Patches [75.41348688487525]
この研究は運動量に基づくコントラスト学習フレームワークを再考し、2つの拡張ビューが1つの正のペアだけを生成する非効率性を同定する。
我々は2つの拡張ビューから複数の正のペアを構築するためにパッチを利用する新しいフレームワークであるFast-MoCoを提案する。
100エポックでトレーニングされたFast-MoCoは、800エポックでトレーニングされたMoCo v3と同様、73.5%の線形評価精度を達成する。
論文 参考訳（メタデータ） (2022-07-17T16:28:41Z) - Concurrent Training of a Control Policy and a State Estimator for
Dynamic and Robust Legged Locomotion [0.0]
このフレームワークは、所望の関節位置を出力するポリシーネットワークと、ロボットの状態の見積を出力する状態推定ネットワークとから構成される。
我々は高速なシミュレーション環境を利用してネットワークを訓練し、訓練されたネットワークを実際のロボットに転送する。
訓練された政策と状態推定器は、丘、滑りやすいプレート、傾斜した道路などの多様な地形を横断することができる。
論文 参考訳（メタデータ） (2022-02-11T06:58:24Z)
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。