論文の概要: RoboSpan: Learning Modular Coordination Policies for High-DoF Whole-Body Mobile Manipulation with Teleoperation
- arxiv url: http://arxiv.org/abs/2610.19594v1
- Date: Wed, 14 Oct 2026 05:10:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.966451
- Title: RoboSpan: Learning Modular Coordination Policies for High-DoF Whole-Body Mobile Manipulation with Teleoperation
- Title（参考訳）: RoboSpan: 遠隔操作によるハイDoF全体移動操作のためのモジュールコーディネートポリシの学習
- Abstract要約: 本稿では,ハイDoF全体遠隔操作・デモプラットフォームであるRoboSpanについて述べる。
提案手法は,長軸全体タスクにおいて,メインストリームベースラインよりも20%以上高いタスク成功率を達成する。
- 参考スコア（独自算出の注目度）: 15.307456817801402
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Whole-body mobile manipulation suffers from two fundamental challenges: inherent motion heterogeneity across locomotion, arm, and hand modules, and progressive error accumulation over long-horizon multi-stage tasks. Existing teleoperation platforms also lack integrated dexterous tactile sensing to support coordinated whole-body decision-making. This paper presents RoboSpan, a high-DoF whole-body teleoperation and demonstration platform, and the Hierarchical Modular Framework (HMF) for learning modular coordination policies. HMF functionally decouples the 29-DoF action space into fine hand manipulation, arm pose adjustment, and mobile-base spatial configuration branches, and introduces the Coordinated Modular Embodied Transformer (COMET) with inter-modular cross-attention to enable dynamic information exchange and action coordination. Vision-language model driven hierarchical task decomposition structurally suppresses temporal error propagation, while a full-palm 2D tactile representation encodes distributed contact signals for cross-module tactile empowerment. Experiments on a physical 29-DoF robot demonstrate that the proposed method achieves over 20\% higher task success rate than mainstream baselines across a range of long-horizon whole-body tasks, markedly improving stability and robustness in contact-rich manipulation.
- Abstract（参考訳）: 全体移動操作は、移動、腕、手動モジュール間の固有な運動不均一性、長期の多段階タスクにおける進行的エラー蓄積という2つの根本的な課題に悩まされている。
既存の遠隔操作プラットフォームには、ボディ全体の意思決定の調整をサポートするためのデキスタラス触覚センサーが備わっていない。
本稿では,ハイDoF全体の遠隔操作・デモンストレーションプラットフォームであるRoboSpanと,モジュール調整ポリシーを学習するための階層型モジュールフレームワーク(HMF)について述べる。
HMFは、29-DoFアクション空間を細かな手操作、腕ポーズ調整、移動体空間構成ブランチに分離し、動的情報交換と動作調整を可能にするために、モジュール間クロスアテンションを備えたコーディネート・モジュラー・エンボダイド・トランスフォーマー(COMET)を導入している。
視覚言語モデルによる階層的タスク分解は時間的エラーの伝播を構造的に抑制する一方、フルパーム2次元触覚表現は、クロスモジュール触覚のエンパワーメントのために分散接触信号を符号化する。
物理29-DoFロボットを用いた実験により,本手法は,長軸全体タスクにおけるメインストリームベースラインよりも20倍以上のタスク成功率を達成し,コンタクトリッチな操作における安定性と堅牢性を著しく向上することを示した。
関連論文リスト
- FOMI: A Force-Feedback Manipulation Interface for Teaching Contact-Rich Manipulation [59.638802273101646]
FOMIは、ハサミ型機構を備えたフォースフィードバック操作インタフェースである。
本研究では,センサキャリブレーション,データ取得,ロボットフリーコレクションの同期処理を統合したデモコレクションシステムを構築した。
FOMIは、ロボットフリーのコレクションと遠隔操作において、最高のベースラインよりも、コレクション効率を約29%と18%向上させる。
論文 参考訳（メタデータ） (2026-10-14T09:10:24Z) - DexTele: A Dual-Arm Dexterous Teleoperation System Based on Motion Retargeting and Adaptive Force Control [8.912547960725869]
動作制御と適応力制御に基づく両腕デキスタラス遠隔操作システムを提案する。
視覚ベースのモーションモジュールは、人間の画像から予備的なロボットの動きを生成するように設計されている。
適応的把握モジュールは、適合的な把握を実現するように設計されている。
論文 参考訳（メタデータ） (2026-07-07T06:27:55Z) - AnyMo: Scaling Any-Modality Conditional Motion Generation with Masked Modeling [60.13338774249153]
我々はOmniHuMoを紹介した。OmniHuMoは5000時間以上の動作と320万のシーケンスのデータセットで、正確に整列されたマルチモーダルアノテーションである。
我々は、Residual FSQベースのモーショントークンーザとスケーラブルなマスク付きモデリング変換器を組み合わせた統合マルチモーダルフレームワークであるAnyMoを提案する。
実験の結果,AnyMoは空間特性とスタイリスティック特性の両方を柔軟に制御しながら高忠実度合成を実現することがわかった。
論文 参考訳（メタデータ） (2026-05-28T07:15:19Z) - HCLM: A Hierarchical Framework for Cooperative Loco-Manipulation with Dual Quadrupeds [24.47863400717969]
本稿では,2重四元系を用いた汎用協調ロコ操作のための階層的枠組みであるHCLMを紹介する。
我々のアーキテクチャは、低レベルのロバストな動作実行から高レベルの協調的推論を体系的に分離する。
その結果、信頼性の高いタスク実行、厳格な構成主義、厳しい物理的摂動に対する例外的なレジリエンスが示された。
論文 参考訳（メタデータ） (2026-05-17T07:23:03Z) - FastGrasp: Learning-based Whole-body Control method for Fast Dexterous Grasping with Mobile Manipulators [30.405863830176028]
そこで我々は,移動型高速グリーティングのための,把握誘導,全身制御,触覚フィードバックを統合した学習ベースのフレームワークを提案する。
筆者らの2段階強化学習戦略はまず,多様な把握候補を生成する。
実験はシミュレーションと実世界のシナリオの両方において優れた把握性能を示す。
論文 参考訳（メタデータ） (2026-04-14T15:30:57Z) - SuperSuit: An Isomorphic Bimodal Interface for Scalable Mobile Manipulation [8.367600706539774]
ロボット・イン・ザ・ループの遠隔操作とアクティブなデモンストレーションの両方をサポートするバイモーダルデータ取得フレームワークである textbfSuperSuit を,共有キネマティックインタフェース下で提供する。
長距離移動操作タスクにおける実世界実験では、遠隔操作ベースラインと比較してアクティブモードでの2.6$times$高いデモスループット、固定データセットサイズでのアクティブなデモンストレーションによる遠隔操作データ置換時のポリシー性能、アクティブなデータボリュームの増加に伴うモノトニックパフォーマンスの向上が示されている。
論文 参考訳（メタデータ） (2026-03-06T13:40:30Z) - InCoM: Intent-Driven Perception and Structured Coordination for Whole-Body Mobile Manipulation [36.51938252277959]
全身移動操作のための意図駆動型認識と構造化協調フレームワークInCoMを提案する。
InCoMは、動的にマルチスケールの知覚的特徴を重み付けする潜在動作意図を推論し、知覚的注意の段階適応的アロケーションを可能にする。
InCoMは3つのManiSkill-HABシナリオの最先端手法を28.2%、26.1%、23.6%で上回ります。
論文 参考訳（メタデータ） (2026-02-26T14:03:58Z) - DexHandDiff: Interaction-aware Diffusion Planning for Adaptive Dexterous Manipulation [78.60543357822957]
高度なロボティクスにとって、接触に富んだ相互作用による有害な操作が不可欠である。
DexHandDiffは,適応的デキスタラス操作のための対話型拡散計画フレームワークである。
当社のフレームワークは, 目標適応度の高いタスクにおいて, 平均70.7%の成功率を実現し, コンタクトリッチな操作における堅牢性と柔軟性を強調した。
論文 参考訳（メタデータ） (2024-11-27T18:03:26Z)
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。