論文の概要: Contact-UAN: Unsupervised Actuator Networks as a Residual World Model for Humanoid Control

• arxiv url: http://arxiv.org/abs/2610.18991v1
• Date: Tue, 13 Oct 2026 18:00:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.738239
• Title: Contact-UAN: Unsupervised Actuator Networks as a Residual World Model for Humanoid Control
• Title（参考訳）: Contact-UAN:ヒューマノイド制御のための残留世界モデルとしての教師なしアクチュエータネットワーク
• Abstract要約: 本研究では,シミュレーションロールアウトと記録ロールアウトを整列するアクチュエータのダイナミクスを補正しながら,シミュレータの物理履歴を保存した残留世界モデルであるContact-UANを紹介する。 実世界の歩行データ6.5分で訓練されたUANが、正確な力と衝動制御の恩恵を受けるタスクに一般化し、現実の世界にシームレスに移行するポリシーを生成することを示す。
• 参考スコア（独自算出の注目度）: 27.61419798789157
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Humanoid policies trained in simulation can transfer qualitatively to hardware while failing to transfer the force interactions learned during training, compromising torque efficiency, load regulation, and robustness to impacts. This failure can arise from actuator sim-to-real gaps because forces depend on actuator torques. We introduce Contact-UAN, a residual world model that preserves a simulator's physics priors while correcting actuator dynamics to align simulated rollouts with recorded hardware rollouts. For humanoid motion with contact, this requires contact-consistent replay: if hardware playback in simulation begins with misaligned contact wrenches, the residual model learns to correct reset artifacts rather than actuator discrepancies. Using only onboard proprioception, Contact-UAN infers the simulator-side stance-foot pose needed to initialize replay with consistent contact forces. We show that a UAN trained on 6.5 minutes of real-world walking data generalizes to tasks that benefit from accurate force and impulse regulation and produces policies that transfer seamlessly to the real world, yielding 20% lower running torque, 43% lower force-tracking error, extreme compliance, accurate impedance control, and dynamic, robust jumps.
• Abstract（参考訳）: シミュレーションで訓練されたヒューマノイドポリシーは、トレーニング中に学んだ力の相互作用の伝達を怠り、トルク効率、負荷規制、衝撃に対する堅牢性を低下させながら、ハードウェアに質的に伝達することができる。 この故障は、アクチュエータのトルクに依存するため、アクチュエータのsim-to-realギャップから生じうる。 本研究では,シミュレータの物理履歴を保存し,アクチュエータのダイナミクスを補正し,シミュレーションロールアウトを記録ハードウェアロールアウトと整合させる残差世界モデルであるContact-UANを紹介する。 接触を伴うヒューマノイド運動の場合、これは接触一貫性の再生を必要とする:シミュレーションにおけるハードウェア再生が不一致な接触レンチで始まると、残留モデルはアクチュエータのずれではなく、リセットアーティファクトの修正を学ぶ。 搭載されたプロプリセプションのみを用いて、Contact-UANは、一貫した接触力でリプレイを初期化するために必要なシミュレータ側のスタンスフットのポーズを推測する。 実世界の歩行データ6.5分で訓練されたUANが、正確な力と衝動制御の恩恵を受けるタスクに一般化し、実世界へシームレスに移行するポリシーを生成し、20%低い走行トルク、43%低い力追跡誤差、極端なコンプライアンス、正確なインピーダンス制御、動的で堅牢なジャンプをもたらすことを示す。

関連論文リスト

• Real-Time Force Regulation for Whole-Hand Dexterous Grasping [56.253219596767075]
  本報告では, 接触の動的変化に対するリアルタイム力規制の枠組みについて述べる。 本手法は, 触覚を必要とせず, 全ハンドリンクにまたがる接触を幾何学的に推定する。 我々は,この力調節制御系を反応的リーチと統合し,手の動きを把握し,乱れ下で保持し,物体を失くした後の再生を可能にする。
  論文  参考訳（メタデータ） (2026-09-24T16:31:51Z)
• WorldSimProbe: Diagnosing Simulator Faithfulness in Action-Conditioned World Models for Embodied Manipulation [85.15806404962193]
  行動条件付き世界モデル(ACWM)は、計画、ポリシー評価、データ生成のためのスケーラブルな予測シミュレータを具現化したAIを提供することを約束する。 物理シミュレータが期待する観測能力を用いてACWMを評価する。 WorldSimProbeは、制御のバリエーション、相互作用のグラウンディングにおける構造化された障害、ダイナミックスにまたがる、システマティックなアクション実現の劣化を明らかにする。
  論文  参考訳（メタデータ） (2026-08-10T08:48:06Z)
• Closing the Reality Gap: Zero-Shot Sim-to-Real Deployment for Dexterous Force-Based Grasping and Manipulation [17.63466252699545]
  人間のような器用な手は人間レベルの操作機能を提供するが、実際のハードウェアにデプロイできるコントロールポリシーを訓練することは困難である。 本稿では,高密度触覚フィードバックと関節トルクセンサを併用したシミュレート・トゥ・リアル強化学習法を提案する。 これは、シミュレーションで完全に訓練され、実際のハードウェア上でゼロショットを転送するマルチフィンガーデキスタラスハンドにおける制御可能なグリップの初めてのデモンストレーションである。
  論文  参考訳（メタデータ） (2026-07-06T11:15:36Z)
• Actuator Reality Shaping for Zero-Shot Sim-to-Real Robot Learning [0.5277024349608834]
  ロボット学習におけるシモン・トゥ・リアル・トランスファーは、ポリシートレーニング中に仮定される理想的なアクチュエータ・ダイナミクスと、物理モータの非線形でハードウェア依存的な動作との相違によって制限されることが多い。 アクチュエータ・リアリティー・シェーピング(Actuator Reality Shaping)という別のパラダイムを導入する。 本研究では,外負荷下での単関節高径サーボと7-DOFロボットアームの到達作業に対するアプローチを検証する。
  論文  参考訳（メタデータ） (2026-07-02T14:12:41Z)
• Sim-to-Real Transfer for Muscle-Actuated Robots via Generalized Actuator Networks [53.12548325396181]
  柔らかい筋肉のアクティベーションと組み合わせたテンドンドライブは、より速く、より安全なロボットを可能にする。 この複雑なアクチュエータのニューラルネットワークモデルを学習するsim-to-realパイプラインを提案する。 我々は,完全にシミュレーションで訓練された,正確なゴール獲得とダイナミック・ボール・イン・カップ・ポリシーの展開に成功した。
  論文  参考訳（メタデータ） (2026-04-10T16:52:54Z)
• Tendon Force Modeling for Sim2Real Transfer of Reinforcement Learning Policies for Tendon-Driven Robots [4.374417345150659]
  本稿では,典型的なサーボモータの腱力をモデル化する手法を提案する。 次に,GPUによる力駆動型剛体シミュレーションにおいて,我々の力推定モデルを用いてRL制御系を訓練する。 我々のモデルは最大運動力の3%以内の腱力を予測でき、ロボットに依存しない。
  論文  参考訳（メタデータ） (2026-03-04T18:16:58Z)
• MOSAIC: Bridging the Sim-to-Real Gap in Generalist Humanoid Motion Tracking and Teleoperation with Rapid Residual Adaptation [50.643488406438514]
  一般のヒューマノイドモーショントラッカーは、データをスケーリングしてトレーニングすることで、強力なシミュレーション指標を達成したが、持続的な遠隔操作の間、ハードウェア上では不安定なままであることが多い。 複数のインタフェースをまたいだヒューマノイドモーショントラッキングと全身遠隔操作のためのオープンソースのフルスタックシステムMOSAICを提案する。
  論文  参考訳（メタデータ） (2026-02-09T12:35:01Z)
• Closing the Reality Gap: Zero-Shot Sim-to-Real Deployment for Dexterous Force-Based Grasping and Manipulation [12.509181374985936]
  複数の指を持つ人間のような器用な手は、人間レベルの操作機能を提供する。 しかし、実際のハードウェアに直接デプロイ可能なトレーニングコントロールポリシは、コンタクトリッチな物理のため、依然として難しいままです。 本稿では,高密度触覚フィードバックと関節トルクセンシングを併用して身体的相互作用を調節する実践的枠組みを提案する。
  論文  参考訳（メタデータ） (2026-01-06T07:26:39Z)
• RobotDancing: Residual-Action Reinforcement Learning Enables Robust Long-Horizon Humanoid Motion Tracking [50.200035833530876]
  RobotDancingはシンプルでスケーラブルなフレームワークで、残留する関節の目標を予測して、ダイナミックスの不一致を明示的に修正する。 複数分間の高エネルギー動作(ジャンプ、スピン、カートホイール)をトラッキングし、高いモーショントラッキング品質のハードウェアにゼロショットをデプロイする。
  論文  参考訳（メタデータ） (2025-09-25T03:30:34Z)
• Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time [57.30651532625017]
  本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。 本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。 受け入れ次第、モデルとデータの両方をリリースすることを約束します。
  論文  参考訳（メタデータ） (2025-05-25T01:27:18Z)

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。