論文の概要: PingpongDuo: Agile Humanoid Table Tennis Doubles with Safe Team Coordination

• arxiv url: http://arxiv.org/abs/2610.20579v1
• Date: Wed, 14 Oct 2026 17:56:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.295122
• Title: PingpongDuo: Agile Humanoid Table Tennis Doubles with Safe Team Coordination
• Title（参考訳）: PingpongDuo: 安全なチーム調整を備えたアジャイルヒューマノイドテーブルテニス
• Abstract要約: PingpongDuoは、安全なチーム調整を備えたアジャイルヒューマノイドダブルスのための階層的なフレームワークです。 シミュレーションでは、PingpongDuoは最先端のベースラインよりも13.2%向上した。 実世界の実験では、ロボットは2.4秒で2.15mのクリアランスと回復のサイクルを完了し、最高速度は2.23m/sである。
• 参考スコア（独自算出の注目度）: 28.17011209955746
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unlike singles, humanoid table tennis doubles requires teammates to strike in strict alternation while sharing a confined workspace. Rapid repositioning can compromise striking accuracy, while uncoordinated teammate movements introduce collision risks. We present PingpongDuo, a hierarchical framework for agile humanoid doubles with safe team coordination. At the team level, a planner jointly selects positioning targets and uses learned risk estimates to filter risky proposals, preferentially preserving the current striker's target. At the individual level, separate footwork and striking skills combine agile movement with precise racket control. The skills are guided by human motion references, including footwork collected from human doubles play, and trained from states produced by one another to support rapid transitions. A racket-arm residual further refines strikes after movement using return feedback from a simulator calibrated with real ball-flight and contact measurements. In simulation, PingpongDuo improves the ball-return success rate by 13.2% over the state-of-the-art baseline, while achieving approximately 2 cm positioning error during clearance. In real-world experiments, a robot completes a 2.15 m clearance-and-recovery cycle in 2.4 s with a peak speed of 2.23 m/s, while two robots sustain more than 10 consecutive strikes in strict alternation.
• Abstract（参考訳）: シングルとは異なり、ヒューマノイドテーブルテニスのダブルスでは、チームメイトが制限されたワークスペースを共有しながら厳格に交互に打つ必要がある。 急激な再配置は重大な精度を損なう可能性があるが、非コーディネートなチームメイトの動きは衝突のリスクをもたらす。 PingpongDuoは、安全なチーム調整を備えたアジャイルヒューマノイドダブルスのための階層的なフレームワークです。 チームレベルでは、プランナーが共同で位置決め対象を選択し、学習されたリスク推定を使用してリスクの高い提案をフィルタリングし、現在のストライカーの目標を優先的に保存する。 個々のレベルでは、別々の足跡と印象的なスキルがアジャイルの動きと正確なラケットコントロールを組み合わせています。 スキルは人間の動作参照によってガイドされ、人間のダブルスプレイから収集されたフットワークや、素早い移行を支援するために互いに生産された状態から訓練される。 ラケットアーム残差は、実球飛行と接触測定を調整したシミュレータからの帰還フィードバックを用いて、移動後のストライクをさらに洗練する。 シミュレーションでは、PingpongDuoは、最先端のベースラインよりも13.2%向上し、クリアランス中に約2cmの位置誤差を達成している。 実世界の実験では、ロボットは2.4秒で2.15mのクリアランス・アンド・リカバリサイクルを完了し、最高速度は2.23m/sで、2つのロボットは厳密な交互に10回以上の連続的なストライクを継続する。

関連論文リスト

• Humanoid Badminton: Learning Dynamic Racket Skills from Limited Human Motion Data [15.758620140761623]
  高速ラケットスポーツはヒューマノイドロボットに必要なテストベッドを提供する。 動的ヒューマノイドバドミントンのための3段階階層的強化学習フレームワークを提案する。 これは、人間プレイヤーとの持続的なマルチスキル関係を示す最初の実世界のヒューマノイドラケットスポーツシステムである。
  論文  参考訳（メタデータ） (2026-09-25T18:00:06Z)
• Throwing a Tight Spiral American Football by a Humanoid Robot [5.213778368155993]
  本稿では,ヒューマノイドロボットによるアメリカンフットボールのスピンアクチュエータ制御型タイトスパイラルスローについて述べる。 提案手法は、7-DoF Dex3-1三指グリップを備えた29-DoFユニツリーG1ヒューマノイド上で実証的に検証される。
  論文  参考訳（メタデータ） (2026-08-17T14:40:54Z)
• RoboNaldo: Accurate, Stable and Powerful Humanoid Soccer Shooting via Motion-Guided Curriculum Reinforcement Learning [29.003533673238135]
  エリートヒューマノイドサッカーシューティングは、全身の安定性、高インパルスの全身の相互作用、ターゲットへの精度を必要とする。 高速なヒューマノイドインタラクションのための運動誘導型カリキュラムフレームワークであるRoboNaldoを紹介する。 シミュレーションでは、RoboNaldoは48.6%低いフリーキックショットエラーと2.96倍の撮影速度を示した。
  論文  参考訳（メタデータ） (2026-06-09T16:51:13Z)
• SMASH: Mastering Scalable Whole-Body Skills for Humanoid Ping-Pong with Egocentric Vision [53.709632118234936]
  Methodnameはアジャイルなヒューマノイドテーブルテニスのためのモジュールシステムである。 これは、スケーラブルな全身スキル学習と、オンボードの自我中心の認識を統一する。 そこで本研究では,オンボードセンシングだけで連続的なストライクを行うことができる最初のヒューマノイドテーブルテニスシステムについて紹介する。
  論文  参考訳（メタデータ） (2026-04-01T17:11:52Z)
• Chasing Moving Targets with Online Self-Play Reinforcement Learning for Safer Language Models [64.47869632167284]
  従来の言語モデル(LM)の安全性アライメントは、リアクティブで非結合な手順に依存している。 このシーケンシャルなアプローチはミスマッチを生み出し、攻撃者は時代遅れの防御に過度に適合する一方、守備側は出現する脅威に常に遅れをとどめている。 我々は,攻撃者と防御エージェントが継続的なインタラクションを通じて共進化するオンラインセルフプレイ強化学習アルゴリズムであるSelf-RedTeamを提案する。
  論文  参考訳（メタデータ） (2025-06-09T06:35:12Z)
• Hierarchical Reinforcement Learning for Precise Soccer Shooting Skills using a Quadrupedal Robot [76.04391023228081]
  本研究では,四足歩行ロボットが実世界において,強化学習を用いて精度の高い射撃技術を実現できるという課題に対処する。 本研究では, 深層強化学習を活用して頑健な動作制御政策を訓練する階層的枠組みを提案する。 提案するフレームワークをA1四足歩行ロボットに展開し、実世界のランダムなターゲットに向けて正確にボールを発射できるようにする。
  論文  参考訳（メタデータ） (2022-08-01T22:34:51Z)

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。