論文の概要: Exploiting Hierarchical Controller Structure in Contextual Parameter Learning for Humanoid Loco-Manipulation
- arxiv url: http://arxiv.org/abs/2610.04609v1
- Date: Sat, 03 Oct 2026 15:49:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-11 18:24:46.348489
- Title: Exploiting Hierarchical Controller Structure in Contextual Parameter Learning for Humanoid Loco-Manipulation
- Title（参考訳）: ヒューマノイドロコマニピュレーションのための文脈パラメータ学習における階層型制御系の構築
- Abstract要約: 階層型制御システムにおける共同パラメータ学習のための文脈ベイズ最適化フレームワークを提案する。
本研究は,人体ロボットによるロボット操作のアプローチについて評価し,各箱の質量変化にともなう物理箱押出のための遠心式予測制御器と全体式制御器を共同で調整する。
- 参考スコア（独自算出の注目度）: 14.183238310683825
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hierarchical control architectures are widely used to decompose complex control problems into interacting control levels and are particularly important in robotics, where planning, whole-body motion, and lower-level control must be coordinated across different levels of abstraction and time scales. Their overall closed-loop performance, however, depends strongly on parameters distributed across the hierarchy, such that tuning controllers on different levels independently may neglect relevant cross-layer interactions. We propose a contextual Bayesian optimization framework for joint parameter learning in hierarchical control systems. Rather than modeling closed-loop performance only as a scalar black-box function, we retain separate observations of task performance, realization quality, and control effort. A correlated multi-output Gaussian process models these performance components, while their known aggregation into the overall closed-loop objective is evaluated analytically. The formulation exploits three complementary consequences of hierarchical control: informative performance quantities exposed by the hierarchy, coupling between parameters of different controller levels, and variations of these relations with operating conditions. We evaluate the approach for humanoid loco-manipulation, jointly tuning a centroidal predictive controller and a whole-body controller for physical box pushing under varying box mass. The proposed method achieves the lowest mean empirical regret during both training and adaptation among the considered baselines.
- Abstract（参考訳）: 階層的な制御アーキテクチャは複雑な制御問題を相互作用する制御レベルに分解するために広く使われており、特にロボット工学において、計画、全身運動、低レベルの制御は様々な抽象レベルと時間スケールで調整されなければならない。
しかし、それらの全体的な閉ループ性能は階層に分散するパラメータに強く依存しており、異なるレベルのコントローラを個別にチューニングすることは、関連する層間相互作用を無視する可能性がある。
階層型制御システムにおける共同パラメータ学習のための文脈ベイズ最適化フレームワークを提案する。
閉ループ性能をスカラーブラックボックス関数としてのみモデル化するのではなく,タスク性能,実現品質,制御作業の別々な観察を継続する。
相関した多出力ガウス過程はこれらの性能成分をモデル化する一方、全閉ループ対象への既知の集約は解析的に評価される。
この定式化は階層制御の3つの相補的な結果を利用する:階層によって暴露される情報的性能量、異なる制御レベルのパラメータ間の結合、およびこれらの操作条件との関係のばらつきである。
本研究は,人体ロボットによるロボット操作のアプローチについて評価し,各箱の質量変化にともなう物理箱押出のための遠心式予測制御器と全体式制御器を共同で調整する。
提案手法は,検討されたベースライン間のトレーニングおよび適応において,最も低い平均的経験的後悔を実現する。
関連論文リスト
- Scaling Behavior Foundation Model for Humanoid Robots [77.31115920959364]
行動基礎モデル(BFM)は、大規模な行動データを活用することで課題に対処する有望なソリューションとして登場した。
提案手法は制御忠実度とタスク一般化の大幅な改善をもたらすことを示す。
これらの結果は、BFMをスケーラブルで汎用的なヒューマノイド制御の原則的かつ効果的な基盤として確立する。
論文 参考訳（メタデータ） (2026-07-16T16:08:27Z) - Neural Robust Control on Lie Groups Using Contraction Methods (Extended Version) [3.0395687958102946]
剛性制御収縮計量(RCCM)と神経フィードバック制御器は、リー群多様体上の収縮条件を強制するために共同で訓練される。
ケーススタディでは,提案したフレームワークを用いて,四重項に対するフィードバックコントローラを設計する。
論文 参考訳（メタデータ） (2026-04-01T22:47:29Z) - On Geometric Structures for Policy Parameterization in Continuous Control [7.056222499095849]
本稿では,単位多様体上での演算による構造的利点を保った,計算効率の良いアクション生成パラダイムを提案する。
本手法は,動作を決定論的方向ベクトルと学習可能な濃度に分解し,目標方向と一様雑音との効率性を実現する。
実証的に、我々の手法は標準的な連続制御ベンチマークで最先端の手法と一致するか超えている。
論文 参考訳（メタデータ） (2025-11-11T13:32:38Z) - Distributionally Robust Control with End-to-End Statistically Guaranteed Metric Learning [5.309590159815129]
我々は、新しいエンドツーエンド有限ホライズン・ワッサーシュタイン DRC フレームワークを提案する。
これは、異方性ワッサースタインメトリクスの学習と下流制御タスクを閉ループ方式で統合する。
提案手法は,最先端手法と比較して,クローズドループ性能とロバスト性に優れることを示す。
論文 参考訳（メタデータ） (2025-10-11T13:40:49Z) - A Hierarchical Surrogate Model for Efficient Multi-Task Parameter Learning in Closed-Loop Control [0.0]
本稿では,効率的な制御パラメータ学習に適した階層型ベイズ最適化(BO)フレームワークを提案する。
閉ループコストをブラックボックスとして扱う代わりに,本手法は根本問題の構造的知識を活用する。
論文 参考訳（メタデータ） (2025-08-18T09:01:28Z) - Q-function Decomposition with Intervention Semantics with Factored Action Spaces [51.01244229483353]
元の作用空間の低次元射影部分空間上で定義されるQ-函数を考察し、分解されたQ-函数の不偏性について考察する。
これにより、標準モデルフリー強化学習アルゴリズムにおいて、予測Q関数を用いてQ関数を近似する動作分解強化学習と呼ばれる一般的なスキームが導かれる。
論文 参考訳（メタデータ） (2025-04-30T05:26:51Z) - Optimal State Manipulation for a Two-Qubit System Driven by Coherent and
Incoherent Controls [77.34726150561087]
2量子ビット量子系の最適制御には状態準備が重要である。
物理的に異なる2つのコヒーレント制御を利用し、ヒルベルト・シュミット目標密度行列を最適化する。
論文 参考訳（メタデータ） (2023-04-03T10:22:35Z) - Sparsity in Partially Controllable Linear Systems [56.142264865866636]
本研究では, 部分制御可能な線形力学系について, 基礎となる空間パターンを用いて検討する。
最適制御には無関係な状態変数を特徴付ける。
論文 参考訳（メタデータ） (2021-10-12T16:41:47Z) - Is Disentanglement enough? On Latent Representations for Controllable
Music Generation [78.8942067357231]
強い生成デコーダが存在しない場合、アンタングル化は必ずしも制御性を意味するものではない。
VAEデコーダに対する潜伏空間の構造は、異なる属性を操作するための生成モデルの能力を高める上で重要な役割を果たす。
論文 参考訳（メタデータ） (2021-08-01T18:37:43Z) - Numerical estimation of reachable and controllability sets for a
two-level open quantum system driven by coherent and incoherent controls [77.34726150561087]
この記事では、ゴリーニ-コサコフスキー--リンドブラッド--スダルシャンマスター方程式によって支配される2段階の開量子系を考える。
系の密度行列のブロッホパラメトリゼーションを用いて解析する。
論文 参考訳（メタデータ） (2021-06-18T14:23:29Z)
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。