論文の概要: OIL: An Object Interaction Layer for Humanoid Whole-Body Control

• arxiv url: http://arxiv.org/abs/2610.14033v1
• Date: Thu, 01 Oct 2026 05:12:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 23:43:07.334714
• Title: OIL: An Object Interaction Layer for Humanoid Whole-Body Control
• Title（参考訳）: OIL:ヒューマノイド全体制御のためのオブジェクトインタラクション層
• Abstract要約: 油は、望まれるオブジェクトの動きと接触を含むように、全身制御のキネマティックなコマンドインターフェイスを拡張するオブジェクトインタラクション層である。 この設計により、プッシュ、プル、2腕のピック・アンド・プレイス、ロコモーション・カップリング・トランスポートなど、単一の学習されたポリシーで非包括的インタラクションを実行することができる。
• 参考スコア（独自算出の注目度）: 10.78987394423364
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent progress in learned whole-body controllers for humanoid robots has enabled robust free-space motion by tracking kinematic targets such as joint or end-effector trajectories. This interface provides a useful abstraction for upstream systems, including motion capture, teleoperation, or generative models, which can specify desired motion without reasoning about forces or balance. However, this abstraction has largely been limited to robot motion, requiring task-specific controllers or retraining for object interaction. We introduce OIL, an Object Interaction Layer that extends the kinematic command interface of whole-body control to include desired object motion and contact. OIL augments a standard controller with object-centric commands and translates them into coordinated whole-body behavior while preserving locomotion and balance. This design enables a single learned policy to execute non-prehensile interactions, including pushing, pulling, two-arm pick-and-place, and locomotion-coupled transport, directly from object-level kinematic targets without task-specific retraining. In simulation, we demonstrate that object-level commands improve performance over robot-centric controllers while matching task-specific policies across variations in object properties such as mass and size. We further demonstrate zero-shot generalization to novel behavior combinations and sim-to-real transfer on the Digit humanoid robot.
• Abstract（参考訳）: 近年のヒューマノイドロボット用全身制御装置の進歩により、関節や端エフェクタ軌道などの運動目標を追跡することにより、堅牢な自由空間運動が可能になった。 このインターフェースは、モーションキャプチャ、遠隔操作、生成モデルを含む上流システムに有用な抽象化を提供する。 しかし、この抽象化は主にロボットの動きに限られており、タスク固有のコントローラを必要とする。 我々は,対象物の動きと接触を含むように全身制御のキネマティック・コマンド・インタフェースを拡張するオブジェクトインタラクション・レイヤであるOILを紹介した。 OILはオブジェクト中心のコマンドで標準のコントローラを拡張し、ロコモーションとバランスを保ちながら、それらを調整された全身動作に変換する。 この設計により、シングルラーニングポリシは、プッシュ、プル、2アームのピック・アンド・プレイス、ロコモーション・カップリングされたトランスポートなど、タスク固有のリトレーニングなしで、オブジェクトレベルの運動目標から直接、非包括的インタラクションを実行することができる。 シミュレーションでは、ロボット中心のコントローラよりもオブジェクトレベルのコマンドの方が、質量や大きさなどのオブジェクト特性のバリエーションにまたがってタスク固有のポリシーを適合させながら、パフォーマンスを向上することを示した。 さらに、新しい動作の組み合わせに対するゼロショットの一般化と、Digitoヒューマノイドロボット上でのsim-to-real転送を実証する。

関連論文リスト

• ViLoMan: Learning Visual-Proprioceptive Whole-Body Loco-Manipulation Skills for Humanoid Robots [56.6238848953359]
  ViLoManは、自律的なヒューマノイドロコ操作のためのスケーラブルなフレームワークである。 自我中心の深度観測と主観的測定を直接ジョイントレベル全体の行動にマッピングする統一的なポリシーを学ぶ。
  論文  参考訳（メタデータ） (2026-09-16T19:10:13Z)
• Learning Holistic Whole-Body Loco-Manipulation with a Bipedal Mobile Manipulator [6.961580294931018]
  両足歩行操作は、ロボットが腕の名目上の作業空間を超えて物体と対話することを可能にする。 タスクレベルの操作目標を協調した腕と脚の動きに変換する低レベル全体制御器を提案する。
  論文  参考訳（メタデータ） (2026-09-16T17:05:32Z)
• 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)
• M3imic: Learning a Versatile Whole-Body Controller for Multimodal Motion Mimicking [45.636871702422134]
  Multi-Modal Mimicはヒューマノイドロボットのための汎用的な全身制御フレームワークである。 ロボットの関節角度、人間のポーズ軌跡、エンドエフェクターのポーズなど、異種動作参照モードを統一する。 モダリティ特異的なリトレーニングを伴わない、複数の運動基準モード間のシミュレート・トゥ・リアル転送を実現する。
  論文  参考訳（メタデータ） (2026-06-03T12:52:37Z)
• MaskedManipulator: Versatile Whole-Body Manipulation [38.02818493367002]
  本研究では,大規模な人体モーションキャプチャーデータに基づいて学習したトラッキングコントローラから生成制御ポリシーであるMaskedManipulatorを紹介する。 この2段階の学習プロセスにより、システムは複雑なインタラクション動作を実行でき、キャラクタとオブジェクトの両方の動作を直感的に制御できる。
  論文  参考訳（メタデータ） (2025-05-25T10:46:14Z)
• C-Drag: Chain-of-Thought Driven Motion Controller for Video Generation [81.4106601222722]
  トラジェクティブに基づくモーションコントロールは、制御可能なビデオ生成のための直感的で効率的なアプローチとして登場した。 我々はC-Dragという制御可能なビデオ生成のためのチェーン・オブ・ソート型モーションコントローラを提案する。 本手法は,物体認識モジュールとChain-of-Thoughtベースの動作推論モジュールを含む。
  論文  参考訳（メタデータ） (2025-02-27T08:21:03Z)
• Controllable Human-Object Interaction Synthesis [77.56877961681462]
  本研究では,3次元シーンにおける同期物体の動きと人間の動きを生成するための制御可能な人間-物体相互作用合成(CHOIS)を提案する。 ここでは,高レベルな計画から効果的に抽出できるスタイルや意図を言語記述が通知し,シーン内の動きをグラウンド化する。 我々のモジュールは経路計画モジュールとシームレスに統合され、3D環境における長期的相互作用の生成を可能にします。
  論文  参考訳（メタデータ） (2023-12-06T21:14:20Z)
• Task-Oriented Human-Object Interactions Generation with Implicit Neural Representations [61.659439423703155]
  TOHO: 命令型ニューラル表現を用いたタスク指向型ヒューマンオブジェクトインタラクション生成 本手法は時間座標のみでパラメータ化される連続運動を生成する。 この研究は、一般的なヒューマン・シーンの相互作用シミュレーションに向けて一歩前進する。
  論文  参考訳（メタデータ） (2023-03-23T09:31:56Z)
• Articulated Object Interaction in Unknown Scenes with Whole-Body Mobile Manipulation [16.79185733369416]
  未知の環境下における大型関節オブジェクトとの自律的相互作用のための2段階アーキテクチャを提案する。 第1段階は学習モデルを用いて、RGB-D入力から対象物の調音モデルを推定し、相互作用のための状態の動作条件列を予測する。 第2段階は、生成した運動計画に沿ってオブジェクトを操作する全身運動制御装置からなる。
  論文  参考訳（メタデータ） (2021-03-18T21:32:18Z)

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。