論文の概要: Inertially Significant Humanoid Teleoperation via Whole Body Model Predictive Control and Online Parameter Estimation
- arxiv url: http://arxiv.org/abs/2610.22176v1
- Date: Thu, 15 Oct 2026 16:32:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 06:09:33.192791
- Title: Inertially Significant Humanoid Teleoperation via Whole Body Model Predictive Control and Online Parameter Estimation
- Title（参考訳）: 全体モデル予測制御とオンラインパラメータ推定による初期有意なヒューマノイド遠隔操作
- Abstract要約: 実用的なタスクにヒューマノイドロボットを効果的に配置するには、慣性パラメータの変動を検知し、適応する能力が必要である。
本稿では,全身モデル予測コントローラを統合することで,一般的な解法を示す。
このフレームワークはヒューマノイドシステムのシミュレーションとハードウェア実験によって検証される。
- 参考スコア（独自算出の注目度）: 2.0124254762298786
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The effective deployment of humanoid robots in practical tasks of interest will require a capability of sensing and adapting to variations in inertial parameters, as occurs during heavy tool use or when carrying significant payload. Such payloads constitute a significant proportion of the combined payload-robot system, the effects of which cannot be ignored by delegating to feedback control. This paper showcases a general solution to this problem by integrating a whole body model predictive controller (WB-MPC) with an extended Kalman filter (EKF) for online estimation of fully physically consistent time-varying inertial parameters. These estimates are fed through to the WB-MPC's full rigid body dynamics model, resulting in more accurate feedforward torques for task demands under external load. Additionally, a virtual reality (VR) interface is provided that enables an operator to provide task-specific references without regard to payload while delegating dynamic balance to the WB-MPC. The framework is validated with simulation and hardware experiments on a humanoid system.
- Abstract（参考訳）: ヒューマノイドロボットを実用的なタスクに効果的に配置するには、重い道具の使用中や重要なペイロードを運ぶ際に発生する慣性パラメータの変化を検知し、適応する能力が必要である。
このようなペイロードは、ペイロード-ロボットシステムの組み合わせのかなりの割合を占めており、フィードバック制御に委譲することで、その効果を無視することはできない。
本稿では,全身モデル予測コントローラ (WB-MPC) と拡張カルマンフィルタ (EKF) を統合して,完全物理的に一貫した時間変動慣性パラメータのオンライン推定を行うことにより,この問題に対する一般的な解決策を示す。
これらの推定値はWB-MPCの完全な剛体力学モデルにフィードバックされ、それによって外部負荷下でのタスク要求に対するより正確なフィードフォワードトルクが得られる。
さらに、WB-MPCに動的バランスを委譲しながら、ペイロードによらずタスク固有の参照を提供することができるバーチャルリアリティ(VR)インターフェースが提供される。
このフレームワークはヒューマノイドシステムのシミュレーションとハードウェア実験によって検証される。
関連論文リスト
- A Neural Network Based Teleoperation for Remote Controlled Vehicles [98.38733381483934]
車両の直接遠隔操作は重要な技術的ボトルネックに直面している。
通信遅延とオペレーターの 物理的に知覚できない 未モデル化の環境障害。
本稿では,一方的な遠隔操作フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-11T01:51:08Z) - SkyJEPA: Learning Long-Horizon World Models for Zero-Shot Sim-to-Real Control of Quadrotors [48.60897189520386]
本稿では,実時間四重項制御のためのJEPAスタイルモデルを提案する。
我々は、潜伏動力学モデルと、凍結した潜伏者を解釈可能な状態にマッピングする、物理学に着想を得た新しいプロバーを組み合わせる。
高価で安全性の低い実世界のデータ収集への依存を低減するため,自動データセット生成のための構造化パイプラインを構築した。
論文 参考訳（メタデータ） (2026-06-22T15:00:59Z) - Compliant Non-Prehensile Pushing Manipulation [2.526906424066039]
ロボット操作システムによる非包括的プッシュ操作の課題に対処する。
我々は、最先端のプッシュモデルを拡張して、インピーダンス制御ロボットと統合する。
本研究では,ロボットの位置・速度設定点を最適に調節し,従順なプッシュを可能にするモデル予測制御フレームワークを開発する。
論文 参考訳（メタデータ） (2026-05-25T10:24:05Z) - GenerativeMPC: VLM-RAG-guided Whole-Body MPC with Virtual Impedance for Bimanual Mobile Manipulation [2.061143628317803]
双方向のモバイル操作は、ハイレベルなセマンティック推論と安全で準拠した物理的相互作用のシームレスな統合を必要とする。
本稿では,双方向移動マニピュレータの物理的制御パラメータによる意味的シーン理解を橋渡しする階層型サイバー物理フレームワークであるGenerativeMPCを提案する。
論文 参考訳（メタデータ） (2026-04-21T14:44:38Z) - RC-NF: Robot-Conditioned Normalizing Flow for Real-Time Anomaly Detection in Robotic Manipulation [68.7948300643741]
ロボットの異常検出と介入をリアルタイムに監視するロボット・コンディションド・ノーマライゼーション・フロー(RC-NF)を提案する。
RC-NFは、正規化フロー内のタスク認識ロボットとオブジェクト状態の処理を分離する。
従来のロボットタスクの監視方法と比較して、あらゆる異常なタイプで最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-03-11T10:14:37Z) - CHIP: Adaptive Compliance for Humanoid Control through Hindsight Perturbation [70.5382178207975]
hIsight Perturbation (CHIP)は、制御可能なエンドエフェクタ剛性を実現するプラグイン・アンド・プレイモジュールである。
CHIPの実装は簡単で、データ拡張も追加の報酬チューニングも必要ありません。
そこで本研究では,CHIPでトレーニングした汎用モーショントラッキングコントローラが,多種多様な操作タスクを実行できることを示す。
論文 参考訳（メタデータ） (2025-12-16T18:56:04Z) - Context-Aware Deep Lagrangian Networks for Model Predictive Control [17.06619330822293]
本研究では,Deep Lagrangian Networks (DeLaN)を拡張し,コンテキスト認識を実現する。
また、DeLaNと残留力学モデルを組み合わせることで、ロボットの名目モデルが一般的に利用可能であるという事実を活用する。
本手法は, ベースラインで達成した21%の改善に比べ, エンドエフェクタ追跡誤差を39%削減する。
論文 参考訳（メタデータ） (2025-06-18T08:26:30Z) - OSCAR: Data-Driven Operational Space Control for Adaptive and Robust
Robot Manipulation [50.59541802645156]
オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。
本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。
本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2021-10-02T01:21:38Z)
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。