論文の概要: Physics Residual Dynamics and Reduced Order Whole-Body Planning for Obstacle Aware Human Robot Cloth CoTransportation
- arxiv url: http://arxiv.org/abs/2610.06641v1
- Date: Mon, 05 Oct 2026 16:26:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-09 00:01:57.858195
- Title: Physics Residual Dynamics and Reduced Order Whole-Body Planning for Obstacle Aware Human Robot Cloth CoTransportation
- Title（参考訳）: 人間の衣服のコトランスポーテーションを意識した障害物の物理残留ダイナミクスと全体計画法
- Abstract要約: 本稿では、学習した布モデルと二腕移動マニピュレータの低次全体モデルを組み合わせた階層的計画フレームワークを提案する。
提案フレームワークは, 角面追従ベースラインが衝突する布目クリアランスを維持し, 全身改質により最終布の変形が0.93,mから0.28,mに減少する。
- 参考スコア（独自算出の注目度）: 19.856715466667715
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Human--robot co-transportation of deformable objects requires predicting object deformation during motion, since obstacle clearance depends on both the grasp points and the unactuated interior. We present a hierarchical planning framework that combines a learned cloth model with a reduced-order whole-body model of a dual-arm mobile manipulator. A physics-residual conditional recurrent variational autoencoder (p-cRVAE) predicts the full cloth configuration from grasp-point observations by learning a residual correction to a computationally efficient linearized physics model, limiting error accumulation over 40-step planning horizon. The predicted cloth dynamics are embedded in a model predictive path integral (MPPI) planner using a reduced-order representation of a dual-arm mobile manipulator that preserves the non-holonomic base constraint and arm workspace limits. An MPC layer subsequently refines the sampled motion into smooth, executable references for whole-body control. The reduced-order formulation achieves tracking performance comparable to the full 17-DoF model while reducing computation time by approximately 80%. Across four co-transportation scenarios and two carrying speeds, the proposed framework maintains cloth-obstacle clearance where a corner-following baseline results in collisions, while whole-body refinement reduces final cloth deformation from 0.93\,m to 0.28\,m.
- Abstract（参考訳）: 変形可能な物体の人間-ロボット共輸送は、障害物クリアランスが把握点と不動内部の両方に依存するため、運動中の物体の変形を予測する必要がある。
本稿では、学習した布モデルと二腕移動マニピュレータの低次全体モデルを組み合わせた階層的計画フレームワークを提案する。
p-cRVAEは、計算効率の良い線形化物理モデルに残差補正を学習し、40ステップの計画地平線上の誤差蓄積を制限することにより、把握点観測から全布構成を予測する。
予測布動力学は、非ホロノミックベース制約とアームワークスペース制限を保存するデュアルアーム移動マニピュレータの低次表現を用いて、モデル予測経路積分(MPPI)プランナーに埋め込まれる。
MPC層はその後、サンプリングされた動きをスムーズで実行可能な参照に洗練し、全身制御を行う。
低次定式化は17-DoFモデルに匹敵するトラッキング性能を達成し、計算時間を約80%短縮する。
4つの同時輸送シナリオと2つの搬送速度にまたがって,本フレームワークでは,角を追従するベースラインが衝突するような布-障害物のクリアランスを維持し,全身改質により最終布の変形が0.93\,mから0.28\,mに減少する。
関連論文リスト
- 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) - A Task-Space Receding Horizon Controller for Fast Collision Avoidance [0.08594140167290099]
ロボットマニピュレータのリアルタイム衝突回避には、予期せぬ障害物運動に対する迅速な反応が必要である。
完全なモデル予測制御は、この展望を提供することができるが、オンラインコストは、水平線長、モデル忠実度、アクティブな幾何学的制約の数とともに急速に増大する可能性がある。
本稿では, 短時間の接触一貫性を持つロールアウトを用いて, 終端キネマティック参照を生成するタスクスペースリテーディング・ホライゾンコントローラを提案する。
論文 参考訳（メタデータ） (2026-07-17T08:13:12Z) - CaLiSym: Learning Symplectic Dynamics of Real-World Systems through Structured Canonical Lifts [5.265601895449634]
CaLiSymは、幾何学的事前が課される場所を変更することで、シンプレクティック学習をそのようなシステムに拡張する軽量フレームワークである。
フレームワークをSympNet予測器でインスタンス化し、正確なシンプレクティック構造と近似を組み合わせたB-スプライン変種であるGRB-SympNetを導入する。
持ち上げられた力学はシンプレクティックな形式を数値的な精度に保ち、シンプレクティックな学習は保守的な力学を超えて現実世界のロボティクスへと拡張する。
論文 参考訳（メタデータ） (2026-07-07T21:41:59Z) - AdaReP:Adaptive Re-Planning under Model Mismatch for Neural World-Model Predictive Control [20.745587519033833]
本研究は, スタイルプランのペナルティが再利用耐性, 最終計画段階から蓄積したミスマッチ, 局所力学感度とともにどのようにスケールするかを解析した。
キャッシュされたロールアウトからの現在の逸脱と局所感度推定を用いて、オンラインのリプランングトレランスに適応するトレーニングフリーラッパーであるAdaRePを提案する。
AdaRePは、画像空間計画、潜時空間制御、実世界のロボット操作全体にわたって、プランナー側の計算を大幅に削減し、50個の物理ロボット研究における80%以上のクエリを含む、同等のタスク性能を維持しながら、プランナー側の計算を大幅に削減する。
論文 参考訳（メタデータ） (2026-06-22T09:27:50Z) - Real-Time and Accurate Collision-Free Teleoperation via Differentiable Constraint-Based Trajectory Planning [1.4699455652461726]
この問題を緩和するための一般的な戦略は、最適制御に基づく軌道計画を用いて演算子の入力を強化することである。
我々は、凸最適化における双対性に基づいて、最近の微分可能な衝突回避制約の定式化を遠隔操作設定に適用する。
その結果,提案手法はより高精度な障害物モデリングを実現するとともに,計算時間を短縮できることがわかった。
論文 参考訳（メタデータ） (2026-06-07T16:39:56Z) - DexWorldModel: Causal Latent World Modeling towards Automated Learning of Embodied Tasks [54.32016216994156]
本稿では,DINOv3特徴を生成対象として用い,視覚ノイズから相互作用意味を乱す因果潜在世界モデル(CLWM)を提案する。
メモリスケーリングを克服するため、CLWMはDual-State Test-Time Training (TTT)メモリを備えている。
EmbodiChainは、トレーニング中に物理基底軌道の無限の流れを注入することによって効率法を確立するオンラインフレームワークである。
論文 参考訳（メタデータ） (2026-04-13T03:19:36Z) - Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。
本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。
このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
論文 参考訳（メタデータ） (2026-04-10T17:12:07Z) - LeWorldModel: Stable End-to-End Joint-Embedding Predictive Architecture from Pixels [49.35636088613484]
JEPA(Joint Embedding Predictive Architectures)は、コンパクトな潜在空間で世界モデルを学習するための魅力的なフレームワークを提供する。
最初のJEPAであるLeModelWorldを紹介します。
数時間で1つのGPU上で15万のパラメータをトレーニングできるため、LeWMはファンデーションモデルベースの世界モデルよりも48倍高速に計画している。
論文 参考訳（メタデータ） (2026-03-13T19:48:14Z) - Spatial-Temporal Graph Diffusion Policy with Kinematic Modeling for Bimanual Robotic Manipulation [88.83749146867665]
既存のアプローチは、遠く離れた次のベストなエンドエフェクタのポーズを予測するポリシーを学びます。
すると、運動に対する対応する関節回転角を逆運動学を用いて計算する。
本稿では,Kinematics 拡張空間テンポアル gRaph diffuser を提案する。
論文 参考訳（メタデータ） (2025-03-13T17:48:35Z) - DiFSD: Ego-Centric Fully Sparse Paradigm with Uncertainty Denoising and Iterative Refinement for Efficient End-to-End Self-Driving [55.53171248839489]
我々は、エンドツーエンドの自動運転のためのエゴ中心の完全スパースパラダイムであるDiFSDを提案する。
特に、DiFSDは主にスパース知覚、階層的相互作用、反復的な運動プランナーから構成される。
nuScenesとBench2Driveデータセットで実施された実験は、DiFSDの優れた計画性能と優れた効率を実証している。
論文 参考訳（メタデータ） (2024-09-15T15:55:24Z) - Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。
コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。
その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
論文 参考訳（メタデータ） (2021-01-26T16:01:02Z)
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。