論文の概要: LLA-MPPI: Rapidly Adaptive Whole-body Control of Legged Robots with GPU-Accelerated Parallel Simulations

• arxiv url: http://arxiv.org/abs/2610.10465v1
• Date: Wed, 07 Oct 2026 17:30:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:23.077058
• Title: LLA-MPPI: Rapidly Adaptive Whole-body Control of Legged Robots with GPU-Accelerated Parallel Simulations
• Title（参考訳）: LLA-MPPI:GPU加速並列シミュレーションによる脚ロボットの高速適応全体制御
• Abstract要約: LLA-MPPI(Look-back and Look-ahead Adaptive Model Predictive Path Integral Control)を提案する。 この方法は、全体適応をGPUバッチされたコンタクトシミュレータのバンク上での選択に変換する。 4つのシミュレートされたタスクで97.5%の成功を達成している。
• 参考スコア（独自算出の注目度）: 27.36353142476368
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-time whole-body controllers for legged robots typically plan through a fixed nominal model and degrade when the deployed dynamics change. Adaptive methods typically require a model structure that contact dynamics do not provide, or they need offline training for each anticipated condition. We present Look-back and Look-ahead Adaptive Model Predictive Path Integral control (LLA-MPPI). The method converts whole-body adaptation into selection over a bank of GPU-batched contact simulators with different physical or structural parameters. Windowed prediction errors select the simulator that best explains recent motion. A whole-body MPPI planner optimizes controls through the selected model. The framework requires no offline training, and its selected hypotheses are physically interpretable. Across four simulated tasks, it achieves 97.5% success while the strongest baseline reaches 74% and an oracle with the true model reaches 98.5%. Hardware validation on a Unitree Go2 shows the robot walking under a payload added mid-run, walking after one leg is disabled, and pushing a box to its goal while increasing its mass on the fly. Code, videos, and project details are available at: https://lla-control.github.io
• Abstract（参考訳）: 脚のあるロボットのためのリアルタイムな全身制御装置は、通常、固定された名目モデルを通して計画し、デプロイされたダイナミクスが変化すると劣化する。 適応的なメソッドは通常、接触ダイナミクスが提供しないモデル構造を必要とする。 本稿では,Look-back and Look-ahead Adaptive Model Predictive Path Integral Control (LLA-MPPI)を提案する。 この方法は、物理パラメータや構造パラメータの異なるGPUバッチされたコンタクトシミュレータのバンク上で、全身適応を選択に変換する。 ウィンドウ付き予測エラーは、最近の動きを最もよく説明するシミュレータを選択する。 全体MPPIプランナは、選択したモデルを介して制御を最適化する。 このフレームワークはオフラインのトレーニングを必要とせず、選択された仮説は物理的に解釈可能である。 4つのシミュレートされたタスクで97.5%が成功し、最強のベースラインは74%、真のモデルを持つオラクルは98.5%に達する。 Unitree Go2のハードウェアの検証では、ロボットは中途半端に追加されたペイロードの下を歩いたり、片足が故障した後を歩いたり、目標に向かって箱を押したりしながら、その重量を増やしたりしている。 コード、ビデオ、プロジェクトの詳細は、https://lla-control.github.ioで確認できる。

関連論文リスト

• LLA-MPC on Embedded Hardware: Rapid Adaptive Control with Thousands of Parallel Models [16.266017092260153]
  LLA-MPCはリアルタイム適応型システム識別と制御のための学習自由フレームワークである。 システムは、組込みコンピュータ上で数千の候補モデルをリアルタイムで評価することで、タイヤパラメータをオンラインで識別する。 LLA-MPCは、固定された名目モデルが失敗する高速なタスクを完了することを示す。
  論文  参考訳（メタデータ） (2026-10-02T17:13:34Z)
• Online Sim-to-Real Adaptation via Closed-Loop System Modeling [5.178900486147961]
  提案するOSRAM(Online Sim-to-Real Adaptation via Closed-Loop System Modeling)は,既存のコントローラに提供される参照コマンドに適応するフレームワークである。 その結果, 閉ループモデルにより, 未知の動的条件下での予測精度と追跡精度が向上することがわかった。
  論文  参考訳（メタデータ） (2026-09-24T00:54:55Z)
• 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)
• Right Model, Right Time: Real-Time Cascaded-Fidelity MPC for Bipedal Walking [6.361348748202732]
  本稿では,二足歩行における多相全体モデル予測制御手法を提案する。 結果として生じる非線形最適制御問題は、アカドスにおける逐次二次計画法(SQP)を用いて解決される。 コントローラーは18-DoF双足ロボットHyPer-2のMuJoCoシミュレーションで検証される。
  論文  参考訳（メタデータ） (2026-05-06T07:54:49Z)
• Physical Autoregressive Model for Robotic Manipulation without Action Pretraining [65.8971623698511]
  我々は、自己回帰ビデオ生成モデルを構築し、物理自己回帰モデル(PAR)を提案する。 PARは、アクション事前トレーニングを必要とせず、物理力学を理解するために、ビデオ事前トレーニングに埋め込まれた世界の知識を活用する。 ManiSkillベンチマークの実験は、PARがPushCubeタスクで100%の成功率を達成したことを示している。
  論文  参考訳（メタデータ） (2025-08-13T13:54:51Z)
• Adapting Rapid Motor Adaptation for Bipedal Robots [73.5914982741483]
  移動制御の急速な適応の最近の進歩を活用し、二足歩行ロボットで作業できるように拡張する。 A-RMAはモデルフリーRLを用いて微調整することで不完全外部推定器の基本方針を適応する。 シミュレーションにおいて,A-RMAはRLベースのベースラインコントローラやモデルベースコントローラよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-30T17:59:09Z)
• Meta-Reinforcement Learning for Adaptive Motor Control in Changing Robot Dynamics and Environments [3.5309638744466167]
  この研究は、ロバストな移動のための異なる条件に制御ポリシーを適応させるメタラーニングアプローチを開発した。 提案手法は, インタラクションモデルを更新し, 推定された状態-作用軌道のアクションをサンプル化し, 最適なアクションを適用し, 報酬を最大化する。
  論文  参考訳（メタデータ） (2021-01-19T12:57:12Z)

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。