論文の概要: Dataset-Free Compliant Humanoid Loco-Manipulation with Dynamic Online Posture
- arxiv url: http://arxiv.org/abs/2610.05678v1
- Date: Mon, 05 Oct 2026 01:44:20 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-06 21:36:41.800704
- Title: Dataset-Free Compliant Humanoid Loco-Manipulation with Dynamic Online Posture
- Title（参考訳）: 動的オンライン姿勢を用いたデータセットフリーヒューマノイドロコマニピュレーション
- Abstract要約: ほとんどのヒューマノイドのロコ操作コントローラは、体全体の調整と姿勢を学ぶために人の動きデータを必要とする。
人体運動データなしで訓練されたヒューマノイド・ロコ・マニピュレーション・システムであるOCLOについて述べる。
- 参考スコア（独自算出の注目度）: 6.2211935187467935
- License:
- Abstract: Most humanoid loco-manipulation controllers require human motion data to learn whole-body coordination and posture, leaving policies reliant on external sources to provide this data. We present OCLO (Online-posture Compliant LOco-manipulation), a humanoid loco-manipulation system trained without human motion data and commanded only through two end-effector targets. Because these targets do not uniquely determine whole-body posture, OCLO generates pelvis height and torso orientation online using an analytic reachability prior, further refined through policy-in-the-loop sampling with a task-agnostic cost. OCLO also learns whole-body compliance by displacing end-effector references according to measured forces through a spring-damper model, encouraging the legs, waist, and pelvis to yield to external loads. In simulation, using the reachability prior leads to a 77.8% success rate in acquiring the commanded reference, a vast improvement over the 37.8% success rate accomplished without the prior. Further, refinement reduces end-effector orientation error across all evaluated tasks. The same posture module improves a pretrained SONIC controller on four of five tasks. Without compliance training, policies tend to lose balance under disturbances rather than sacrifice tracking. On a Unitree G1, OCLO maintains balance under end-effector disturbances that cause its ablations to fail and performs seven loco-manipulation tasks, including crouched walking and picking up a box from a low surface. Project website: https://oclo-humanoid.github.io/
- Abstract（参考訳）: ほとんどのヒューマノイドのロコ操作コントローラは、体全体の調整と姿勢を学習するために人間の動きデータを必要とし、このデータを提供するために外部ソースに依存するポリシーを残している。
人体動作データなしで訓練されたヒト型ロボマニピュレーションシステムであるOCLO(Online-posture Compliant LOco-Manipulation)について述べる。
これらのターゲットは体全体の姿勢を一意に決定しないため、OCLOは前もって解析的到達性を用いて骨盤の高さと胴体方向をオンラインで生成し、タスクに依存しないコストでループ内のポリシ・イン・ザ・ループ・サンプリングによってさらに洗練される。
OCLOはまた、バネ・ダッパーモデルを通じて測定力に従ってエンドエフェクター参照を分解し、脚、腰、骨盤に外部負荷を与えることによって、全身のコンプライアンスを学習する。
シミュレーションでは、リーチビリティーの事前使用は、命令された基準を取得する上で77.8%の成功率につながり、前者なしで達成された37.8%の成功率よりも大幅に改善される。
さらに、改善により、評価されたすべてのタスクにおけるエンドエフェクタの向きの誤差が低減される。
同じ姿勢モジュールは、トレーニング済みのSONICコントローラを5つのタスクのうち4つで改善する。
コンプライアンスのトレーニングがなければ、ポリシーはトラッキングを犠牲にするのではなく、障害の下でバランスを失う傾向にあります。
ユニツリーG1では、OCLOはそのアブレーションの失敗の原因となるエンドエフェクター障害の下でバランスを維持し、7つのロコ操作タスクを実行している。
プロジェクトウェブサイト: https://oclo-humanoid.github.io/
関連論文リスト
- HarnessPAI: An Evolving Harness for Physical AI [64.91964104275483]
本稿では,物理AIのためのモデルおよび具体化に依存しないフレームワークであるHarnessPAIを紹介する。
ロールアウト内では、プログラムレベルでオープンループを実行する。
デスクトップロボットアーム、家庭用ロボット、ロボット掃除機、そして歩行エージェントのHarnessPAIは、純粋なアクションモデルとコード・アズ・ポリティクスのベースラインの両方を改善している。
論文 参考訳（メタデータ） (2026-09-24T07:40:00Z) - PRIMO: Prior-Informed Odometry from Human-Motion Tracking for Humanoid Robots [8.998761043683949]
我々はPRIMO(Human-Motion Tracking)を用いた先行インフォームドオドメトリーを提案する。
データ側では、シミュレーションにおいて、ヒューマノイドが多種多様なリターゲットされた人間の動きをトラックすることで、オードメトリの監督を生成する。
モデル側では、プリエントインフォームド推定器は物理および対称性インフォームド事前を用いて構造速度と回転予測を行う。
論文 参考訳（メタデータ） (2026-09-20T12:52:15Z) - 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) - ADAPT: Analytical Disturbance-Aware Policy Training for Humanoid Locomotion [21.269965799228576]
ADAPT(Analytical disturbance-Aware Policy Training)は、人型政策を物理的に根拠のある外乱オブザーバーに装備する枠組みである。
ADAPTは、力/トルクセンサーを必要とせずに、ロボットのダイナミックスを使って、オンラインで残留力/トルクを推定する。
論文 参考訳（メタデータ） (2026-06-15T10:47:18Z) - ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation [55.467742403416175]
本稿では,大規模モーションキャプチャをヒューマノイドに変換する物理駆動型ニューラルネットワークを提案する。
我々は高密度参照とスパースタスク仕様の両方をサポートする統合マルチモーダルコントローラを学習する。
その結果,ULTRAは自我中心の知覚から,自律的,目標条件付き全体ロコ操作に一般化することが示された。
論文 参考訳（メタデータ） (2026-03-03T18:59:29Z) - HiWET: Hierarchical World-Frame End-Effector Tracking for Long-Horizon Humanoid Loco-Manipulation [43.43128572722804]
我々は、ヒューマノイドのロコ操作におけるエンドエフェクタトラッキングとしてこの問題を再考する。
動的実行からグローバルな推論を分離する階層的強化学習フレームワークであるHiWETを提案する。
我々は,HuWETが長期のワールドフレームタスクにおいて,高精度かつ安定したエンドエフェクタトラッキングを実現することを示す。
論文 参考訳（メタデータ） (2026-02-06T03:11:56Z) - ResMimic: From General Motion Tracking to Humanoid Whole-body Loco-Manipulation via Residual Learning [59.64325421657381]
ヒューマノイド全体のロコ操作は、日々のサービスや倉庫のタスクにトランスフォーメーション機能を約束する。
ResMimicは、人間の動作データから正確に表現力のあるヒューマノイド制御のための2段階の残差学習フレームワークである。
結果は、強いベースラインよりもタスク成功、トレーニング効率、堅牢性が大幅に向上したことを示している。
論文 参考訳（メタデータ） (2025-10-06T17:47:02Z)
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。