論文の概要: Reactive Humanoid Multi-Contact Using Learned Stability Models

• arxiv url: http://arxiv.org/abs/2610.00823v1
• Date: Wed, 30 Sep 2026 23:33:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.804379
• Title: Reactive Humanoid Multi-Contact Using Learned Stability Models
• Title（参考訳）: 学習安定性モデルを用いた反応性ヒューマノイド多面体
• Abstract要約: 低安定性シナリオでヒューマノイドを安定させるために手接触を反応的に利用するための計画制御手法を提案する。 プレビューは、インパクト前、インパクト後、インパクト後フェーズを通じて、セントロイドダイナミクスをロールアウトすることで計算される。 フレームワークをハードウェア上で検証し、立ち上がりながらプッシュテストを実行します。
• 参考スコア（独自算出の注目度）: 0.22020053359163297
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a planning and control approach to reactively use hand contacts to stabilize a humanoid in low stability scenarios, where only using feet contacts may result in a fall. Candidate contacts are sampled within the robot's reachable workspace, and a preview is computed by rolling out the centroidal dynamics through pre-impact, impact and post-impact phases. Sampled points are scored based on the Center of Pressure (CoP) control authority at the post-impact phase. Central to our approach is a learned model of the robot's CoP region during post-impact, which enables rapid evaluation of candidate contact points compared to traditional optimization-based methods. The presented planner has two stages: the first selects an optimal bracing region and the second computes an optimal bracing point within the region. Our simulation results demonstrate an average increase in impulse resilience of 89% over recovery without hand contacts and 17% over a naive planning strategy (closest reachable region). We validate our framework on hardware, performing push tests while standing and walking. The standing trials show an average 43% reduction in stabilization time compared to naive hand placement and the walking trials demonstrate a 18% reduction compared to baseline recovery (without hand contacts).
• Abstract（参考訳）: 低安定性シナリオでヒューマノイドを安定させるために手接触を反応的に使用するための計画と制御手法を提案する。 候補となるコンタクトはロボットの到達可能なワークスペース内でサンプリングされ、プレインパクト、インパクト、後インパクトのフェーズを通じて中心運動力学をロールアウトすることでプレビューが計算される。 サンプリングポイントは、インパクト後のフェーズにおいて、Center of Pressure (CoP)制御権限に基づいてスコアされる。 提案手法の中心は,従来の最適化手法と比較して,ロボットの接触点を高速に評価できる,ポストインパクト時のCoP領域の学習モデルである。 提示されたプランナーは、第1が最適制動領域を選択し、第2が最適制動点をその領域内で演算する。 シミュレーションの結果,手接触のない回復では89%,簡単な計画戦略では17%のインパルスレジリエンスが平均的に増加していた。 フレームワークをハードウェア上で検証し、立ち上がりながらプッシュテストを実行します。 定位試験は, 平均43%の安定時間低下を示し, 歩行試験は, ベースライン回復率に比べて18%の低下を示した。

関連論文リスト

• SECOND-Grasp: Semantic Contact-guided Dexterous Grasping [60.1519218638742]
  Second-Grasp (Semantic Contact-guided Dexterous Grasping) は、ロボットハンドが意味論的推論に基づいて把握戦略を調整できる統合されたフレームワークである。 我々のアプローチは、目に見えるカテゴリーと目に見えないカテゴリの両方で成功率を上げるために、一貫してベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-05-13T07:37:00Z)
• Contact-Free Grasp Stability Prediction with In-Hand Time-of-Flight Sensors [4.511923587827302]
  グリップの遠位リンクに装着された飛行時間センサを用いた接触のないグリップ安定性予測器を提案する。 提案手法は,物体の把握を必要とせずに予測を行うため,安定性の分類過程を大幅に高速化し,サイクルを15Hzに短縮する。
  論文  参考訳（メタデータ） (2026-05-06T21:37:31Z)
• Towards Scalable Probabilistic Human Motion Prediction with Gaussian Processes for Safe Human-Robot Collaboration [6.846949601451734]
  本研究では,フルボディ動作予測のための構造化変分ガウスプロセス(GP)フレームワークを提案する。 我々のモデルは、強いベースラインよりも最大50のカーネル密度推定負対数類似度(KDE NLL)を達成する。 確率的定式化にもかかわらず、我々のモデルは0.24-0.35Mのパラメータしか必要としない。
  論文  参考訳（メタデータ） (2026-03-07T08:11:46Z)
• BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
  マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。 両課題に対処する統合フレームワークであるBadCLIP++を提案する。 ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。 持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
  論文  参考訳（メタデータ） (2026-02-19T08:31:16Z)
• SURE: Safe Uncertainty-Aware Robot-Environment Interaction using Trajectory Optimization [8.712271005822256]
  SUREは、接触タイミングの不確実性を明確に説明する堅牢な軌道最適化フレームワークである。 影響時間不明の2つの代表的な課題についてSUREを評価した。 SUREは従来の定式化よりも頑健性を大幅に向上させる。
  論文  参考訳（メタデータ） (2026-02-06T16:50:59Z)
• DSTED: Decoupling Temporal Stabilization and Discriminative Enhancement for Surgical Workflow Recognition [13.734575975699963]
  手術ワークフロー認識は、コンピュータによる介入におけるコンテキスト認識とスキルアセスメントを可能にする。 現在の手法では、連続するフレーム間のジッタの予測と曖昧な位相の識別の低さという2つの重要な課題に悩まされている。 本稿では,信頼性のある歴史情報を選択的に伝播し,ハードサンプル強化のための不確実性を明示的にモデル化することで,安定した枠組みを構築することを目的とする。
  論文  参考訳（メタデータ） (2025-12-22T13:36:26Z)
• Generating Stable Placements via Physics-guided Diffusion Models [8.861433889320763]
  オブジェクトを複数オブジェクトのシーンに安定に配置することは、ロボット操作の基本的な課題である。 本手法は,拡散モデルのサンプリングプロセスに直接安定性を統合する。 私たちの物理誘導モデルでは、強引な摂動に対して56%強固な配置を実現しています。
  論文  参考訳（メタデータ） (2025-09-25T22:32:35Z)
• Coordinate Transformer: Achieving Single-stage Multi-person Mesh Recovery from Videos [91.44553585470688]
  ビデオから複数人の3Dメッシュを回収することは、バーチャルリアリティーや理学療法などにおけるグループ行動の自動認識に向けた重要な第一歩である。 本稿では,複数人物の時空間関係を直接モデル化し,同時にエンドツーエンドでマルチ・メッシュ・リカバリを行うコーディネート・トランスフォーマーを提案する。 3DPWデータセットの実験では、CoordFormerが最先端の精度を大幅に向上し、MPJPE、PAMPJPE、PVEの計測値でそれぞれ4.2%、8.8%、そして4.7%を上回った。
  論文  参考訳（メタデータ） (2023-08-20T18:23:07Z)
• Rethinking pose estimation in crowds: overcoming the detection information-bottleneck and ambiguity [46.10812760258666]
  個人間の頻繁な相互作用は、ポーズ推定アルゴリズムの基本的な課題である。 ボトムアップ条件付きトップダウンポーズ推定と呼ばれる新しいパイプラインを提案する。 動物と人間のポーズ推定ベンチマークにおけるアプローチの性能と効率を実証する。
  論文  参考訳（メタデータ） (2023-06-13T16:14:40Z)
• Best Practices for 2-Body Pose Forecasting [58.661899246497896]
  我々は、人間のポーズ予測の進捗状況を概観し、最善を尽くす一対一の実践を詳細に評価する。 他の1人のプラクティスは2体に移行しないため、提案されているベストプラクティスは階層的なボディモデリングや注目に基づくインタラクションエンコーディングは含まない。 提案した2体ポーズによるベストプラクティス予測では,最新のExPIデータセットのパフォーマンスが21.9%向上した。
  論文  参考訳（メタデータ） (2023-04-12T10:46:23Z)
• Bottom-Up 2D Pose Estimation via Dual Anatomical Centers for Small-Scale Persons [75.86463396561744]
  マルチパーソン2Dポーズ推定では、ボトムアップ手法は同時にすべての人のポーズを予測する。 本手法は,バウンディングボックス精度を38.4%改善し,バウンディングボックスリコールを39.1%改善した。 ヒトのポーズAP評価では,COCOテストデフセット上で新しいSOTA(71.0 AP)を単一スケールテストで達成する。
  論文  参考訳（メタデータ） (2022-08-25T10:09:10Z)

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。