論文の概要: Safe Multi-Robot Collaborative Transport Using Density Functions
- arxiv url: http://arxiv.org/abs/2610.08441v1
- Date: Tue, 06 Oct 2026 14:34:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 02:58:30.048123
- Title: Safe Multi-Robot Collaborative Transport Using Density Functions
- Title（参考訳）: 密度関数を用いた安全マルチロボット協調輸送
- Abstract要約: 本稿では,複数の四足歩行ロボットによる安全な協調操作のための階層的密度に基づくモデル予測制御フレームワークを提案する。
中央ボックスレベルのMPCは、目標収束と障害物回避のための制御密度制約を強制しながら、接触力を最適化する。
この手法はMuJoCoにおいて、2つと3つのUnitree Go2rupedに対する全身接触ダイナミクスを用いて、狭い通路を通る剛体物体を協調的に押圧する手法として評価されている。
- 参考スコア（独自算出の注目度）: 1.299941371793082
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a hierarchical density-based model predictive control framework for safe collaborative manipulation by multiple quadrupedal robots. The framework enables a team of robots to push a shared object to a desired pose using only the initial and goal poses, without requiring a precomputed reference trajectory. A centralized box-level MPC optimizes contact forces while enforcing a control-density constraint for goal convergence and obstacle avoidance. Each robot then solves its own distributed robot-level whole-body MPC, under a stated shared-information assumption, to track its moving contact location while accounting for static obstacles and the time-varying positions of neighboring robots. The approach is evaluated in MuJoCo using whole-body contact dynamics for two and three Unitree Go2 quadrupeds collaboratively pushing rigid objects through narrow passages. Comparisons with matched Control Barrier Function and RRT* based tracking baselines demonstrate the effectiveness of the proposed density-based formulation for push-only, force- and torque-coupled manipulation tasks. Implementation videos are available at https://jaggu2606.github.io/go2-density-mpc-pushing/
- Abstract（参考訳）: 本稿では,複数の四足歩行ロボットによる安全な協調操作のための階層的密度に基づくモデル予測制御フレームワークを提案する。
このフレームワークにより、ロボットのチームは、事前に計算された参照軌跡を必要とせずに、最初のポーズとゴールポーズのみを使用して、共有オブジェクトを所望のポーズにプッシュすることができる。
集中型ボックスレベルMPCは、目標収束と障害物回避のために制御密度制約を適用しながら、接触力を最適化する。
それぞれのロボットは、情報共有の前提の下で、独自の分散ロボットレベルの全体MPCを解決し、静的な障害物と隣接するロボットの位置を考慮しつつ、移動中の接触位置を追跡する。
この手法はMuJoCoにおいて、2つと3つのUnitree Go2四重項に対する全体接触ダイナミクスを用いて、狭い通路を通る剛体物体を協調的に押圧する手法として評価されている。
整合制御バリア関数とRT*に基づくトラッキングベースラインとの比較により, プッシュのみ, 力およびトルクを結合した操作タスクに対して, 提案した密度に基づく定式化の有効性が示された。
実装ビデオはhttps://jaggu2606.github.io/go2-density-mpc-pushing/で公開されている。
関連論文リスト
- Learning Multi-Humanoid Pickup and Transport via Decentralized Object-Centric Control [11.10095088851388]
我々は, 大きさ, 重量, 形状の異なる物体の協調的マルチヒューマノイドピックアップと輸送について検討した。
本手法では,各ヒューマノイドが共有オブジェクト上の局所的なアタッチメント領域に割り当てられる分散オブジェクト中心制御を用いる。
このアタッチメントベースのインタフェースは、単一ロボットのピックアップ、協調的マルチロボット輸送、ロボットからロボットへのハンドオーバにまたがる共通の制御抽象化を提供する。
論文 参考訳（メタデータ） (2026-09-15T20:40:43Z) - CHORUS: Decentralized Multi-Embodiment Collaboration with One VLA Policy [67.76658561040625]
CHORUSは、多様なマルチロボットチームを制御するために、単一のビジョン言語アクション(VLA)バックボーンに適応するフレームワークである。
実験では、CHORUSは分散化されたスクラッチモデルよりも64%のポイント改善を実現している。
その結果,共有VLAバックボーンは分散マルチロボットコラボレーションを実現することができることがわかった。
論文 参考訳（メタデータ） (2026-06-10T17:26:08Z) - VAIC: Vision-Guided Humanoid Agile Object Interaction Control via Decoupled Commands [56.029505206531155]
Vision Guided Agile Interaction Control (VAIC)は、現在のコントローラとヒューマノイドロボットのギャップを埋める統合フレームワークである。
まず、特権教師政策は、正確な物体運動学と正確な環境状態を用いて多様な相互作用スキルを習得する。
第二に、デプロイ可能な学生ポリシーは、全体追跡を複数の軸にまたがる速度目標に置き換えることで、これらの能力を蒸留する。
論文 参考訳（メタデータ） (2026-06-08T09:52:55Z) - Multi-Robot Box Transport over Different Surfaces with Decentralized Role-based Proportional Control [3.3531065379720624]
複数のロボットによって推進される物体の協調輸送には、建設や倉庫環境から災害廃棄物のクリーンアップの投稿まで、多くの応用がある。
本稿では, 平地, 上り坂, 下り坂の四角形箱を輸送するための非同期分散タスクと動作計画手法を提案する。
R2P2はNVIDIA IsaacSimを使って構築されたシミュレータにデプロイされた6ボットチームで評価されている。
論文 参考訳（メタデータ） (2026-05-26T01:31:31Z) - Learning Multi-Agent Local Collision-Avoidance for Collaborative Carrying tasks with Coupled Quadrupedal Robots [6.448258402568988]
本研究は、搬送対象物に機械的に接続された2つの四足歩行ロボットに焦点を当てる。
本稿では,近くの障害物との衝突を回避しつつ,命令された速度方向の追跡を可能にする強化学習に基づくポリシーを提案する。
球状接合によりバーに接続された2つの四足歩行ロボットに対するアプローチを検証し,最適化ベースおよび分散RLベースラインに対してベンチマークを行った。
論文 参考訳（メタデータ） (2026-03-24T14:42:20Z) - ACLM: ADMM-Based Distributed Model Predictive Control for Collaborative Loco-Manipulation [9.708461585583791]
重荷のロコ操作による共同輸送は、脚のあるロボットにとって難しいが必須の能力である。
本研究は,ロコマニピュレーションのための分散モデル予測制御フレームワークであるマルチプライアの交互方向法を提案する。
論文 参考訳（メタデータ） (2026-03-07T08:06:51Z) - 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) - HAIC: Humanoid Agile Object Interaction Control via Dynamics-Aware World Model [56.4392302336014]
本稿では,外部状態推定を伴わない多種多様なオブジェクトダイナミクス間のロバストな相互作用のためのフレームワークであるHAICを提案する。
我々の重要な貢献は、主観的歴史のみから高次対象状態(速度、加速度)を推定するダイナミクス予測器である。
ヒューマノイドロボットの実験では、HAICはアジャイルタスクで高い成功率を達成する。
論文 参考訳（メタデータ） (2026-02-12T09:34:35Z) - 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) - SABER: Data-Driven Motion Planner for Autonomously Navigating
Heterogeneous Robots [112.2491765424719]
我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。
モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。
リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。
ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
論文 参考訳（メタデータ） (2021-08-03T02:56:21Z)
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。