論文の概要: Virtual model control for compliant reaching under uncertainties
- arxiv url: http://arxiv.org/abs/2610.05695v1
- Date: Mon, 05 Oct 2026 02:12:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 05:00:48.827514
- Title: Virtual model control for compliant reaching under uncertainties
- Title（参考訳）: 不確実性下におけるコンプライアンスリーチのための仮想モデル制御
- Abstract要約: 仮想モデル制御(VMC、Virtual Model Control)は、複雑な不確実環境下での力制御ロボットのためのコントローラの設計手法である。
本稿では,力制御ロボットアームにおけるタスク到達のためのVMCフレームワークについて検討する。
8自由度ヒューマノイドロボットを用いた実世界における提案手法の検証を行った。
- 参考スコア（独自算出の注目度）: 4.796658146443073
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Virtual Model Control (VMC) is an approach to design a controller for force-controlled robots in complex uncertain environments. While this method was primarily investigated for legged robot locomotion in the past, it can be more generally applicable to other types of robotic systems. This paper investigates the VMC framework for reaching tasks in a force-controlled robotic arm. We propose six different approaches to designing virtual models in order to achieve reaching tasks in environments with obstacles and uncertainties. A force-controlled 8 degree-of-freedom humanoid robot was used to validate the proposed approach in the real world. We conducted three experiments to test the performance of VMC controllers in terms of predictability, sensitivity to external force, and adaptability against known and unknown obstacles. Experimental analyses show that, even though the proposed approach needs to sacrifice accuracy and trajectory optimality, it enables us to design complex reaching motions under uncertainties, in an intuitive and extendable manner.
- Abstract（参考訳）: 仮想モデル制御(VMC、Virtual Model Control)は、複雑な不確実環境下での力制御ロボットのためのコントローラの設計手法である。
この手法は従来,足歩行ロボットの移動について研究されてきたが,他のロボットシステムにも適用可能である。
本稿では,力制御ロボットアームにおけるタスク到達のためのVMCフレームワークについて検討する。
障害や不確実性のある環境におけるタスクの到達を実現するために,仮想モデルを設計するための6つの異なるアプローチを提案する。
8自由度ヒューマノイドロボットを用いた実世界における提案手法の検証を行った。
予測可能性,外部力に対する感度,および未知の障害物に対する適応性の観点から,VMCコントローラの性能試験を行った。
実験により,提案手法は精度と軌道最適性を犠牲にする必要があるが,不確定な条件下での複雑な到達運動を直感的かつ拡張的に設計することができることを示した。
関連論文リスト
- Compliant Non-Prehensile Pushing Manipulation [2.526906424066039]
ロボット操作システムによる非包括的プッシュ操作の課題に対処する。
我々は、最先端のプッシュモデルを拡張して、インピーダンス制御ロボットと統合する。
本研究では,ロボットの位置・速度設定点を最適に調節し,従順なプッシュを可能にするモデル予測制御フレームワークを開発する。
論文 参考訳（メタデータ） (2026-05-25T10:24:05Z) - Sliding Mode Control for Safe Trajectory Tracking with Moving Obstacles Avoidance: Experimental Validation on Planar Robots [1.7044368816068716]
本稿では,ロバストな軌道追跡と移動障害物回避のための統合制御フレームワークを提案する。
提案アーキテクチャは,衝突回避制約を厳格に実施しつつ,外乱の有無の追跡を保証している。
このアプローチの有効性と汎用性は、数値シミュレーションと広範囲な実世界の実験によって検証される。
論文 参考訳（メタデータ） (2026-04-27T14:20:10Z) - Learning Agile and Robust Omnidirectional Aerial Motion on Overactuated Tiltable-Quadrotors [15.511018281264674]
本研究は, 過動型傾斜四角形における全方向空中運動制御のための強化学習について検討する。
本稿では,目標ポーズに到達するための協調ロータ接合動作の効率的な獲得を可能にする学習ベース制御フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-25T05:13:25Z) - PILOT: A Perceptive Integrated Low-level Controller for Loco-manipulation over Unstructured Scenes [18.916978556216097]
PILOTは知覚的ロコ操作に適した単段階強化学習フレームワークである。
知覚的な移動と1つのポリシー内での全身制御をシナジー化する。
PILOTは、既存のベースラインと比較して、安定性、コマンド追跡精度、地形トラバーサビリティが優れている。
論文 参考訳（メタデータ） (2026-01-24T12:25:20Z) - Vision-based Goal-Reaching Control for Mobile Robots Using a Hierarchical Learning Framework [4.014524824655106]
本稿では,システム全体を密結合した関数モジュールの集合に分解する。
提案手法は,アクティベーションシステムの均一な指数的安定性と全動作の安全性を保証する。
論文 参考訳（メタデータ） (2026-01-02T08:41:47Z) - CHIP: Adaptive Compliance for Humanoid Control through Hindsight Perturbation [70.5382178207975]
hIsight Perturbation (CHIP)は、制御可能なエンドエフェクタ剛性を実現するプラグイン・アンド・プレイモジュールである。
CHIPの実装は簡単で、データ拡張も追加の報酬チューニングも必要ありません。
そこで本研究では,CHIPでトレーニングした汎用モーショントラッキングコントローラが,多種多様な操作タスクを実行できることを示す。
論文 参考訳（メタデータ） (2025-12-16T18:56:04Z) - Commonsense Reasoning for Legged Robot Adaptation with Vision-Language Models [81.55156507635286]
脚のついたロボットは、様々な環境をナビゲートし、幅広い障害を克服することができる。
現在の学習手法は、人間の監督を伴わずに、予期せぬ状況の長い尾への一般化に苦慮することが多い。
本稿では,VLM-Predictive Control (VLM-PC) というシステムを提案する。
論文 参考訳（メタデータ） (2024-07-02T21:00:30Z) - Tuning Legged Locomotion Controllers via Safe Bayesian Optimization [47.87675010450171]
本稿では,ロボットハードウェアプラットフォームにおけるモデルベースコントローラの展開を効率化するための,データ駆動型戦略を提案する。
モデルフリーな安全な学習アルゴリズムを用いて制御ゲインのチューニングを自動化し、制御定式化で使用される単純化されたモデルと実システムとのミスマッチに対処する。
論文 参考訳（メタデータ） (2023-06-12T13:10:14Z) - Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model Predictive Control [46.81433026280051]
本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。
我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
論文 参考訳（メタデータ） (2022-10-23T00:45:05Z) - Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。
連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。
我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
論文 参考訳（メタデータ） (2021-11-15T18:50:04Z) - 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。