論文の概要: Humanoid Rickshaw Pulling: Whole-Body Locomotion under Coupled Wheeled Loads

• arxiv url: http://arxiv.org/abs/2610.04238v1
• Date: Sat, 03 Oct 2026 03:00:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.356949
• Title: Humanoid Rickshaw Pulling: Whole-Body Locomotion under Coupled Wheeled Loads
• Title（参考訳）: ヒューマノイド・リキュール・プルリング:車輪を結合した状態での全身ロコモーション
• Abstract要約: 人型人力車牽引のための全身制御フレームワークを提案する。 バランスを保ちながら車両の動きを追跡し、不確実な負荷動量の下で安定した把握を行う。 その結果、協調型および永続型ヒューマノイド-車両間相互作用による頑健な重荷輸送が示された。
• 参考スコア（独自算出の注目度）: 3.9793526373449963
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Humanoid robots could transport payloads substantially heavier than themselves by pulling passive wheeled vehicles instead of carrying the load. This capability, however, creates a coupled locomotion problem: the robot must maintain persistent upper-body contact while adapting to unknown, configuration-dependent forces arising from the payload, vehicle, and terrain. We present a whole-body control framework for humanoid rickshaw pulling that tracks commanded vehicle motion while preserving balance and stable grasps under uncertain load dynamics. During training, a privileged teacher exploits vehicle states, interaction forces, and load properties. Its actions and latent are distilled into a history-conditioned student that implicitly infers coupled dynamics from proprioceptive responses, followed by reinforcement-learning fine-tuning. Comparisons with \emph{No History} and \emph{Only History} baselines show that the resulting policy achieves accurate vehicle tracking while reducing vehicle oscillation, torso tilt, and actuation cost. Behavioral analysis shows that Unitree G1 propels the rickshaw and generates gait-synchronized whole-body reactions that stabilize its lateral and roll motions. Moreover, pulling redistributes joint effort and yields a lower robot-normalized cost-of-transport proxy than unloaded walking over most tested load--speed conditions. On hardware, a single policy performs starting, sustained pulling, turning, and stopping with both rigid payloads and human passengers, handling a loaded rickshaw mass of up to 115~kg without load-specific retuning. These results demonstrate robust heavy-load transportation through coordinated and persistent humanoid--vehicle interaction.
• Abstract（参考訳）: 人型ロボットは、荷物を運ぶ代わりに受動車輪の車両を引っ張ることで、ペイロードを自分自身よりもはるかに重い輸送を行うことができた。 ロボットは、ペイロード、車両、地形から生じる未知の、構成に依存しない力に適応しながら、永続的な上半身接触を維持する必要がある。 本研究では,不確実な負荷動条件下でのバランスと安定した把握を保ちながら,車両の指令動作をトラックするヒューマノイドリキュールトラクションのための全身制御フレームワークを提案する。 訓練中、特権のある教師は、車両の状態、相互作用力、および負荷特性を利用する。 その作用と潜伏剤は履歴条件の学生に蒸留され、プロテアーゼ反応から結合力学を暗黙的に推論し、さらに強化学習による微調整が行われる。 emph{No History} と \emph{Only History} のベースラインと比較すると、結果として得られたポリシーは正確な車両追跡を実現し、車両の振動、胴体傾斜、アクティベーションコストを低減している。 挙動解析により、ユニトリーG1はリキュールを推進し、その横運動とロール運動を安定させる歩行同期された全身反応を生成することが示されている。 さらに、共同作業の引き換えにより、テストされたほとんどの負荷-速度条件での無負荷歩行よりも、ロボット正規化のコスト・オブ・トランスポートプロキシが低くなる。 ハードウェア上では、1つのポリシーが開始、持続的な引き込み、旋回、停止を厳重なペイロードと人間の乗客の両方で実行し、負荷固有の調整なしで最大115〜kgの積載リックショーの質量を扱う。 これらの結果は、協調型および永続型ヒューマノイド-車両間相互作用による頑健な重荷輸送を示す。

関連論文リスト

• Transporting Unsecured Stacked Payloads with a Quadrupedal Robot via Multi-Objective Reinforcement Learning [2.4746345679821613]
  安全でないペイロードを脚のあるロボットで不均一な地形に輸送するには、ロコモーション性能とペイロード安定性のバランスが必要である。 本研究では, 専用のペイロードセンサやアクティブキャリア機構を使わずに, エッジレスの胴体載板上に設置した無防備な積み重ね箱の4段輸送について検討した。 本稿では,このトレードオフに対応するために,PAMORT(Payload-Adaptive Multi-Objective Reinforcement Learning for Transportation)を提案する。
  論文  参考訳（メタデータ） (2026-10-05T05:13:04Z)
• ZiMPedance: Impedance-Aware ZMP Modeling and Control for Payload Carrying with Quadruped Robots [4.183011762144409]
  本稿では,ゼロモーメント点 (ZMP) の定式化を導出し, 剛性, 減衰, ペイロード質量を安定マージンに関連付けるパッシブ・ペイロード・インターフェース・ダイナミクスについて述べる。 シミュレーションにおいて、提案したコントローラは安定性違反を7.0%$から0.7%$に最大10倍減らし、水平地表面反応力の労力を名目ベースラインと比較して最大15%値下げすることで移動効率を向上させる。
  論文  参考訳（メタデータ） (2026-06-17T10:00:19Z)
• Load-Aware Locomotion Control for Humanoid Robots in Industrial Transportation Tasks [19.55626538861657]
  本稿では、疎結合で協調的なロコ操作アーキテクチャに基づく産業用ヒューマノイドの負荷対応ロコモーションフレームワークを提案する。 下半身移動は、運動学的に派生した名目構成に残留的な関節動作を生じる強化学習ポリシーを介して制御される。 このフレームワークは完全にシミュレーションで訓練され、微調整なしでフルサイズのヒューマノイドロボットにデプロイされる。
  論文  参考訳（メタデータ） (2026-03-15T09:57:32Z)
• Interaction-Aware Whole-Body Control for Compliant Object Transport [33.233203393813376]
  本稿では,人工小脳として機能する対話指向型全身制御(IO-WBC)を提案する。 IO-WBCは上流(スキルレベル)のコマンドを、接触中の安定した物理的に一貫した全身動作に変換する。
  論文  参考訳（メタデータ） (2026-03-04T05:50:40Z)
• OmniTrack: General Motion Tracking via Physics-Consistent Reference [54.256312586493415]
  OmniTrackは、一般的なモーショントラッキングから物理的実現可能性を明確に分離する一般的なトラッキングフレームワークである。 実験により、OmniTrackは追跡精度を向上し、目に見えない動きに対して強力な一般化を示すことが示された。 実世界のテストでは、OmniTrackは、フリップやカートホイールのような複雑なアクロバティックな動きを含む、1時間の長さ、一貫性、安定したトラッキングを実現している。
  論文  参考訳（メタデータ） (2026-02-27T09:12:15Z)
• Enhancing Navigation Efficiency of Quadruped Robots via Leveraging Personal Transportation Platforms [19.518110809455553]
  四足歩行ロボットは、脚に依存しているため、長距離ナビゲーション効率の限界に直面している。 本稿では,人間によるセグウェイの利用に触発された強化学習に基づくアクティブトランスポーターライディング手法を提案する。
  論文  参考訳（メタデータ） (2026-02-03T11:17:42Z)
• HUSKY: Humanoid Skateboarding System via Physics-Aware Whole-Body Control [67.58927286226925]
  本稿では,ヒューマノイド・スケータボードシステムモデリングと物理を意識した全身制御を統合した学習ベースのフレームワークを提案する。 Unitree G1のヒューマノイドプラットフォームでの実験では、現実のシナリオにおいて、私たちのフレームワークがスケートボード上で安定的でアジャイルな操作を可能にすることが示されています。
  論文  参考訳（メタデータ） (2026-02-03T07:18:01Z)
• Humanoid Whole-Body Locomotion on Narrow Terrain via Dynamic Balance and Reinforcement Learning [54.26816599309778]
  動的バランスと強化学習(RL)に基づく新しい全身移動アルゴリズムを提案する。 具体的には,ZMP(Zero-Moment Point)駆動の報酬とタスク駆動の報酬を,全身のアクター批判的枠組みで拡張した尺度を活用することで,動的バランス機構を導入する。 フルサイズのUnitree H1-2ロボットによる実験により、非常に狭い地形でのバランスを維持するための手法の有効性が検証された。
  論文  参考訳（メタデータ） (2025-02-24T14:53:45Z)
• VAE-Loco: Versatile Quadruped Locomotion by Learning a Disentangled Gait Representation [78.92147339883137]
  本研究では,特定の歩行を構成する主要姿勢位相を捕捉する潜在空間を学習することにより,制御器のロバスト性を高めることが重要であることを示す。 本研究では,ドライブ信号マップの特定の特性が,歩幅,歩幅,立位などの歩行パラメータに直接関係していることを示す。 生成モデルを使用することで、障害の検出と緩和が容易になり、汎用的で堅牢な計画フレームワークを提供する。
  論文  参考訳（メタデータ） (2022-05-02T19:49:53Z)
• Reinforcement Learning for Robust Parameterized Locomotion Control of Bipedal Robots [121.42930679076574]
  シミュレーションにおけるロコモーションポリシをトレーニングするためのモデルフリー強化学習フレームワークを提案する。 ドメインランダム化は、システムダイナミクスのバリエーションにまたがる堅牢な振る舞いを学ぶためのポリシーを奨励するために使用されます。 本研究では、目標歩行速度、歩行高さ、旋回ヨーなどの多目的歩行行動について示す。
  論文  参考訳（メタデータ） (2021-03-26T07:14:01Z)

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。