論文の概要: HULK: Learning Whole-Body Forceful Loco-Manipulation for Humanoids

• arxiv url: http://arxiv.org/abs/2610.08970v1
• Date: Tue, 06 Oct 2026 18:33:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.556483
• Title: HULK: Learning Whole-Body Forceful Loco-Manipulation for Humanoids
• Title（参考訳）: HULK:ヒューマノイドのための全身強迫的ロコ操作を学習する
• Abstract要約: 強制的なロコ操作のための全身制御フレームワークであるHULKについて述べる。 私たちは2人の教師を訓練します。1人は手首の力の下で腕の動きを追跡し、もう1人は体に対して大きな物体を保持しながらロコモートします。 キャプチャポイント制御バリア機能は、トレーニング中に手首力の教師を増強し、負荷下でのバランスを改善する。
• 参考スコア（独自算出の注目度）: 3.245083294995432
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Humanoid loco-manipulation of large, heavy objects demands forceful interaction across the entire body. However, such payloads shift a humanoid's center of mass and impose sustained loads across the upper body, challenging balance and command tracking. We present HULK, a whole-body control framework for forceful loco-manipulation. Using model predictive control (MPC) to guide reinforcement learning with predictions of the loaded dynamics, we train two teachers: one tracks arm motions under wrist forces, and the other locomotes while holding large objects against the body. A capture-point control barrier function augments the wrist-force teacher during training to improve balance under load. We distill both teachers into a single policy. Evaluation spans simulation and the Unitree G1. In simulation, the teacher with the barrier function achieves the lowest forward and lateral velocity tracking errors at 10 kg per arm among evaluated controllers and reduces aggregate divergent component of motion (DCM) excursion magnitude by 35.7% relative to MPC-guided reinforcement learning alone. Our wrist-force teacher withstands torso push disturbances of up to 130 N.
• Abstract（参考訳）: 大型で重い物体のヒューマノイド・ロコ・マニピュレーションは体全体に強制的な相互作用を要求する。 しかし、これらのペイロードはヒューマノイドの質量の中心を移動させ、上半身に持続的な負荷を課し、バランスと指令追跡に挑戦する。 強制的なロコ操作のための全身制御フレームワークであるHULKについて述べる。 モデル予測制御(MPC)を用いて、装填力学の予測による強化学習を指導し、2人の教師を訓練する。 キャプチャポイント制御バリア機能は、トレーニング中に手首力の教師を増強し、負荷下でのバランスを改善する。 私たちは両方の教師を一つの政策に蒸留する。 評価はシミュレーションとUnitree G1にまたがる。 シミュレーションにおいて、バリア関数を持つ教師は、評価されたコントローラのうち、腕あたり10kgで最低前方および横方向の速度追跡誤差を達成し、MPC誘導強化学習単独と比較して、運動(DCM)の総合発散成分を35.7%減少させる。 私たちの手首力の先生は、最大130Nの胴体押圧障害に耐えます。

関連論文リスト

• TAC-LOCO: Unified Whole-Body Control for Quadrupedal TACtile-Informed LOCO-Manipulation [13.785492911693098]
  動的ロコ操作では、不確実な外力下での把握された物体との安定した物理的相互作用を維持しながら、脚のあるロボットが全身の動きを調整する必要がある。 触覚を付加した統合強化学習フレームワークであるTAC-LOCOを提案する。 We deploy the policy zero-shot on a Unitree Go2 with an Interbotix WidowX 250 arm and tactile gripper, showed dynamic tactile-informed loco-manipulation under various external interaction。
  論文  参考訳（メタデータ） (2026-07-11T05:45:24Z)
• 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)
• HUSKY: Humanoid Skateboarding System via Physics-Aware Whole-Body Control [67.58927286226925]
  本稿では,ヒューマノイド・スケータボードシステムモデリングと物理を意識した全身制御を統合した学習ベースのフレームワークを提案する。 Unitree G1のヒューマノイドプラットフォームでの実験では、現実のシナリオにおいて、私たちのフレームワークがスケートボード上で安定的でアジャイルな操作を可能にすることが示されています。
  論文  参考訳（メタデータ） (2026-02-03T07:18:01Z)
• KungfuBot: Physics-Based Humanoid Whole-Body Control for Learning Highly-Dynamic Skills [58.73043119128804]
  そこで本研究では,Kungfuやダンスなどの人体動作を高度に制御することを目的とした,物理学に基づくヒューマノイド制御フレームワークを提案する。 動作処理では,運動の抽出,フィルタリング,修正,再ターゲティングを行うパイプラインを設計し,物理的制約の遵守を確実にする。 動作模倣では、二段階最適化問題を定式化し、追従精度の許容度を動的に調整する。 実験では,高ダイナミックな動作のセットを模倣するために全身制御ポリシーを訓練する。
  論文  参考訳（メタデータ） (2025-06-15T13:58:53Z)
• HuB: Learning Extreme Humanoid Balance [21.986188490182993]
  Humanoid Balance(ヒューマノイドバランス)は,参照運動の洗練,バランス対応政策学習,シミュレート・トゥ・リアルトレーニングを統合した統合フレームワークである。 準静的バランスタスクにおけるUnitree G1ヒューマノイドロボットのアプローチを検証する。
  論文  参考訳（メタデータ） (2025-05-12T07:31:42Z)
• FACET: Force-Adaptive Control via Impedance Reference Tracking for Legged Robots [23.645867340878574]
  インピーダンス参照追跡(FACET)を用いたemphForce-Adaptive Controlを提案する。 インピーダンス制御にインスパイアされた我々は、RLを使って制御ポリシーを訓練し、仮想的な質量ばね減衰系を模倣する。 シミュレーションでは、我々の四足歩行ロボットが大きな衝動に対して堅牢性を向上し、制御可能なコンプライアンスを示すことを示す。
  論文  参考訳（メタデータ） (2025-05-11T07:23:26Z)
• Humanoid Whole-Body Locomotion on Narrow Terrain via Dynamic Balance and Reinforcement Learning [54.26816599309778]
  動的バランスと強化学習(RL)に基づく新しい全身移動アルゴリズムを提案する。 具体的には,ZMP(Zero-Moment Point)駆動の報酬とタスク駆動の報酬を,全身のアクター批判的枠組みで拡張した尺度を活用することで,動的バランス機構を導入する。 フルサイズのUnitree H1-2ロボットによる実験により、非常に狭い地形でのバランスを維持するための手法の有効性が検証された。
  論文  参考訳（メタデータ） (2025-02-24T14:53:45Z)

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。