論文の概要: Reinforcement Learning Based Multi-Terrain Adaptive Whole-Body Control for a Quadruped Manipulator
- arxiv url: http://arxiv.org/abs/2610.23548v1
- Date: Fri, 16 Oct 2026 14:40:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.957349
- Title: Reinforcement Learning Based Multi-Terrain Adaptive Whole-Body Control for a Quadruped Manipulator
- Title（参考訳）: 強化学習に基づく擬似マニピュレータの多段適応全体制御
- Abstract要約: マニピュレータを備えたレッグロボットは、非構造環境におけるロコ操作タスクに有望な機能を提供する。
複雑な地形における4重化ロコ操作のための強化学習に基づく全身制御フレームワークを提案する。
提案手法を小型の四重極系で検証するために, 軽量な四重極形マニピュレータプラットフォームを開発した。
- 参考スコア（独自算出の注目度）: 35.36348642342325
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Legged robots equipped with manipulators offer promising capabilities for loco-manipulation tasks in unstructured environments. However, achieving task-consistent end-effector behavior during locomotion remains challenging due to terrain-induced disturbances and the strong coupling between locomotion and manipulation, particularly for small-scale quadruped platforms. A reinforcement-learning based whole-body control framework is proposed for quadruped loco-manipulation on complex terrain. The proposed framework combines a hybrid task representation with task-prioritized whole-body learning to coordinate locomotion and manipulation while preserving task-consistent end-effector behavior. A lightweight quadruped manipulator platform is further developed to validate the proposed framework on a small-scale quadruped system. Real-world experiments demonstrate successful deployment on complex terrains such as slopes up to 30 degrees, stairs, and deformable terrain. These results demonstrate the feasibility of deploying learned whole-body control policy for quadruped loco-manipulation in real-world environments and highlight the importance of task-consistent whole-body coordination for terrain-adaptive loco-manipulation.
- Abstract（参考訳）: マニピュレータを備えたレッグロボットは、非構造環境におけるロコ操作タスクに有望な機能を提供する。
しかし、特に小型の四足歩行プラットフォームでは、地形変動や移動と操作の強い結合が原因で、移動中のタスク一貫性のあるエンドエフェクター動作を達成することは依然として困難である。
複雑な地形における4重化ロコ操作のための強化学習に基づく全身制御フレームワークを提案する。
提案フレームワークは,タスク一貫性のあるエンドエフェクタ動作を保ちながら,タスク優先の全体学習とハイブリッドタスク表現を組み合わせることで,ロコモーションと操作を協調する。
提案手法を小型の四重極系で検証するために, 軽量な四重極形マニピュレータプラットフォームを開発した。
実際の実験では、30度までの斜面、階段、変形可能な地形などの複雑な地形への展開が成功している。
これらの結果から,実環境における4重化ロコ操作における学習された全身制御ポリシの展開の可能性を示し,地形適応ロコ操作におけるタスク整合性全体協調の重要性を強調した。
関連論文リスト
- CosmoH2G: A Hand-to-Gripper Transfer Dataset and Baseline Method for Object Manipulation with Complex Spatial Movements [63.40365657068892]
ロボットグリップに人手によるデモンストレーションを移すことは、最近、ロボット学習の費用対効果の高いソリューションとして浮上した。
このギャップに触発された我々は、きめ細かい手の動きによって導かれる暗黙的なデータ駆動アプローチを採用した。
シミュレーションと実ロボット実験の両方において、我々のフレームワークは複雑な空間操作の安定かつ高精度なハンド・トゥ・グルーパー転送を可能にする。
論文 参考訳（メタデータ） (2026-09-07T13:47:22Z) - KYON: Semi-Modular Wheel-Legged Quadruped With Agile Bimanual Capability [3.041420062518373]
KYON (KYON) は、ロコ操作用の上半身を持つ四足歩行ロボットである。
プラットフォームは半モジュラーデザインで、構成変更可能な下肢を備えており、環境に応じて車輪と脚の移動が可能である。
論文 参考訳（メタデータ） (2026-06-29T12:54:09Z) - Mind Your Steps: A General Learning Framework for Accurate Humanoid Foothold Tracking [78.30338456206984]
本稿では,汎用3D足場追跡ポリシーをトレーニングするための新しいフレームワークを提案する。
本手法は, 目標検層による足場支援を動的に行うことにより, 学習方針を特定の地形に依存しないものにする。
我々の新しいターゲット表現は、雑音や不正確なポーズ推定や足の接触推定といった現実の課題を効果的に緩和する。
論文 参考訳（メタデータ） (2026-06-06T16:44:56Z) - Learning Terrain-Aware Whole-Body Control for Perceptive Legged Loco-Manipulation [2.915167691607446]
我々は,足のマニピュレータのための地形対応全体制御フレームワークTA-WBCを紹介する。
我々は、地形の特徴を抽出するためにハイブリッド・エクセプション・エンコーダを用いており、ロボットが姿勢や足場を積極的に適応するための重要な基盤となっている。
安定なクロステランのロコ操作を容易にするため,フット接触面に基づく新しいエンドエフェクタサンプリング法を提案する。
論文 参考訳（メタデータ） (2026-05-29T14:22:10Z) - PILOT: A Perceptive Integrated Low-level Controller for Loco-manipulation over Unstructured Scenes [18.916978556216097]
PILOTは知覚的ロコ操作に適した単段階強化学習フレームワークである。
知覚的な移動と1つのポリシー内での全身制御をシナジー化する。
PILOTは、既存のベースラインと比較して、安定性、コマンド追跡精度、地形トラバーサビリティが優れている。
論文 参考訳（メタデータ） (2026-01-24T12:25:20Z) - Gait-Adaptive Perceptive Humanoid Locomotion with Real-Time Under-Base Terrain Reconstruction [86.53248703859718]
本研究では,地形認識,歩行制御,全身制御を一つの強化学習ポリシーにマージする知覚的移動フレームワークを提案する。
31-DoF、1.65mのヒューマノイドロボットによる実験は、シミュレーションと実世界の両方で堅牢な移動を実証している。
論文 参考訳（メタデータ） (2025-12-08T11:42:41Z) - CAIMAN: Causal Action Influence Detection for Sample-efficient Loco-manipulation [17.94272840532448]
我々は,ロボットが環境内の他のエンティティを制御できるようにする強化学習フレームワークであるCAIMANを提案する。
シミュレーションにおけるCAIMANの優れたサンプル効率と多様なシナリオへの適応性を実証的に実証した。
論文 参考訳（メタデータ） (2025-02-02T16:16:53Z) - QuadrupedGPT: Towards a Versatile Quadruped Agent in Open-ended Worlds [51.05639500325598]
ペットに匹敵するアジリティで多様なコマンドに従うように設計されたQuadrupedGPTを紹介します。
エージェントは多種多様なタスクを処理し,複雑な指示を行う能力を示し,多種多様四重化エージェントの開発に向けた重要な一歩である。
論文 参考訳（メタデータ） (2024-06-24T12:14:24Z) - ReLMoGen: Leveraging Motion Generation in Reinforcement Learning for
Mobile Manipulation [99.2543521972137]
ReLMoGenは、サブゴールを予測するための学習されたポリシーと、これらのサブゴールに到達するために必要な動作を計画し実行するためのモーションジェネレータを組み合わせたフレームワークである。
本手法は,フォトリアリスティック・シミュレーション環境における7つのロボットタスクの多種多様なセットをベンチマークする。
ReLMoGenは、テスト時に異なるモーションジェネレータ間で顕著な転送可能性を示し、実際のロボットに転送する大きな可能性を示している。
論文 参考訳（メタデータ） (2020-08-18T08:05:15Z)
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。