論文の概要: Robotic Boomerang Throwing via Model-Based Release Design

• arxiv url: http://arxiv.org/abs/2610.10472v1
• Date: Wed, 07 Oct 2026 17:34:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:23.08751
• Title: Robotic Boomerang Throwing via Model-Based Release Design
• Title（参考訳）: モデルベースリリース設計によるロボットブーメラン投下
• Abstract要約: 本稿では,ロボットブーメラン投球のためのモデルベースフレームワークについて述べる。 ブーメランの飛行力学を段階的に同定し、設計のバリエーションによって飛行がどう変化するかを予測する。 これは、ブーメラン飛行を再現した最初のロボットマニピュレータである。
• 参考スコア（独自算出の注目度）: 11.369349130778891
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Throwing objects that generate aerodynamic lift can greatly extend robot throwing beyond ballistic flight. A returning boomerang is a challenging example because its flight depends strongly on the release velocity, attitude, and spin, while robotic manipulators cannot readily reproduce the rapid motions used in human throwing. We present a model-based framework for robotic boomerang throwing centered on the release state. We identify the boomerang flight dynamics in stages to predict how flight changes across design variations. To systematically design the robot throwing motion, we screen candidate parameters according to how strongly and consistently they control release spin under uncertain contact conditions. These models are then used to design the throwing motion and boomerang for a 6-DoF manipulator with limited joint speeds. To our knowledge, this is the first robotic manipulator to generate a returning boomerang flight. In the demonstrated returning trial, the boomerang is released at 51 rad/s (8.1 rev/s), reaches 2.03 m from the robot base, and returns to touch down 0.31 m from the base. The successful release differs significantly from the measured human throws, showing that a robot need not imitate human throwing motion to achieve a returning flight. The project page is available at https://robot-boomerang.github.io
• Abstract（参考訳）: 空力リフトを発生させる投下物体は、弾道飛行を超えて投げるロボットを大きく拡張することができる。 帰還するブーメランは、その飛行が放出速度、姿勢、スピンに強く依存しているのに対して、ロボットマニピュレータは人間の投球で使われる速い動きを再現できないため、難しい例である。 本稿では,ロボットブーメラン投球のためのモデルベースフレームワークについて述べる。 ブーメランの飛行力学を段階的に同定し、設計のバリエーションによって飛行がどう変化するかを予測する。 ロボット投球動作を体系的に設計するために,不確実な接触条件下での解離スピンの強固かつ一貫した制御により,候補パラメータをスクリーニングする。 これらのモデルは6-DoFマニピュレータ用の投球運動とブーメランの設計に使用される。 われわれの知る限り、このロボットマニピュレータはブーメラン飛行を再現した初めてのロボットだ。 実証された復帰試験では、ブーメランは51 rad/s(8.1 rev/s)で放出され、ロボットベースから2.03mまで到達し、ベースから0.31mのタッチダウンに戻る。 成功は測定された人間の投球と大きく異なり、ロボットが人間の投球の動きを模倣する必要はないことが示される。 プロジェクトページはhttps://robot-boomerang.github.ioで公開されている。

関連論文リスト

• From Legs to Wheels: Embodiment-Aware Human Motion Retargeting for Mobile-Base Humanoids [0.0]
  ほとんどの人間から人間へのロボットデモは、人間のような運動学を持つ脚のあるロボットを前提としている。 ロボット固有の実現前に、再構成された人間の動きをベース、リフト、アームの責任に割り当てることで、このミスマッチに対処する。 デプロイアダプタは、固定ベース検出、デッドバンドとスルーレートのフィルタリング、時間一貫性のスケーリング、線形と角のゲインを使って、50Hzのコマンドへの参照を変換する。
  論文  参考訳（メタデータ） (2026-10-06T14:02:41Z)
• Co-design of trajectory and morphology for a vertical jump-climbing robot [3.7534907180639503]
  290gのロボットが空中位相とバウンドして垂直に登った最初のロボットとなる。 結果として生じる軌道は、ロボットを垂直に発射する急速操作と、前方のグリップを地表に戻す空中の方向転換を含む。 得られた2次元力空間の跳躍力を評価し、最適化されたモルフォロジーが0.375 m/s (1.97体長/s)の速度で連続登頂可能であることを示す。
  論文  参考訳（メタデータ） (2026-09-25T09:07:48Z)
• DemoBridge: A Simulation-in-the-Loop Toolkit for Single-View Human Demonstration Retargeting [49.70827726228219]
  このツールキットは、人間の手による実演のシングルビューRGBステレオ記録を、物理で検証可能なロボットアーム軌道に変換する。 DemoBridgeの中核は、衝突を意識した単一のプランナーである。 物理シミュレーターはループ内で動作し、生成した各フェーズを検証し、障害時にバックトラックするので、与えられたように再生できないデモは破棄されるのではなく、再計画される。
  論文  参考訳（メタデータ） (2026-07-10T15:31:04Z)
• Do You Have Freestyle? Expressive Humanoid Locomotion via Audio Control [52.83779852397341]
  現在のヒューマノイドロボットには表現力のある即興能力がなく、事前に定義された動きやスパースコマンドに限られている。 音声から音楽駆動ダンスと音声駆動の音声合成ジェスチャーを直接生成できる,最初の統合型音声-音声合成フレームワークであるRoboPerformを提案する。 RoboPerformは、多様な動きパターンに適応するためのResMoEポリシーと、オーディオスタイル注入のための拡散ベースの学生ポリシーを実現している。
  論文  参考訳（メタデータ） (2025-12-29T17:59:24Z)
• H2R-Grounder: A Paired-Data-Free Paradigm for Translating Human Interaction Videos into Physically Grounded Robot Videos [58.006918399913665]
  本稿では,通常の人間と物体のインタラクションビデオからモーション一貫性のあるロボット操作ビデオに変換するビデオ間翻訳フレームワークを提案する。 私たちのアプローチでは、ロボットビデオのセットのみをトレーニングするために、ペアの人間ロボットビデオは必要とせず、システムを拡張しやすくしています。 テスト時にも同じプロセスを人間のビデオに適用し、人間の行動を模倣する高品質なロボットビデオを生成する。
  論文  参考訳（メタデータ） (2025-12-10T07:59:45Z)
• From Generated Human Videos to Physically Plausible Robot Trajectories [103.28274349461607]
  ビデオ生成モデルは、人間のアクションを新しい文脈で合成する能力が急速に向上している。 この可能性を実現するために、ヒューマノイドはどうやってゼロショットで生成されたビデオから人間の行動を実行することができるのか? この課題は、生成されたビデオがしばしばうるさいので、実際のビデオと比べて直接の模倣を困難にする形態的歪みを示すためである。 我々は,3次元キーポイントに条件付き物理対応強化学習政策であるGenMimicを提案し,対称性の正則化とキーポイント重み付きトラッキング報酬を訓練した。
  論文  参考訳（メタデータ） (2025-12-04T18:56:03Z)
• Learning to Throw-Flip [11.364182432162863]
  本稿では,ロボットが所望の着地ポーズに対して,オブジェクトを正確に「スローフリップ」することができる方法を提案する。 我々は寄生虫の回転を効果的に分離する投球運動の族を設計する。 私たちのフレームワークは、数十の試行において、ポーズターゲットにオブジェクトを投げる(pm$5 cm, $pm$45 °)ことができる。
  論文  参考訳（メタデータ） (2025-10-11T22:18:09Z)
• Aerobatic maneuvers in insect-scale flapping-wing aerial robots via deep-learned robust tube model predictive control [38.02123507620609]
  航空昆虫は、鋭い制動、ササード、身体のフリップのような非常に機敏な行動を示す。 昆虫のようなササードの動きを示し, 横速度と加速速度は1秒あたり197センチメートル, 1秒あたり1.7メートルであった。 ロボットはまた、秒速160cm以下でのササード操作や、大きなコマンド・ツー・フォースのマッピングエラーを実行することもできる。
  論文  参考訳（メタデータ） (2025-08-05T03:40:11Z)
• EgoZero: Robot Learning from Smart Glasses [54.6168258133554]
  EgoZeroはProject Ariaスマートグラスで捉えた人間のデモから堅牢な操作ポリシーを学ぶ。 EgoZeroのポリシーをFranka Pandaロボットにデプロイし、7つの操作タスクに対して70%の成功率でゼロショット転送を実演する。 この結果から,実世界におけるロボット学習のためのスケーラブルな基盤として,現在地にある人間のデータを活用できることが示唆された。
  論文  参考訳（メタデータ） (2025-05-26T17:59:17Z)

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。