論文の概要: DUET: Decoupled Upper- and Lower-Body Execution for Task-Agnostic Humanoid Loco-Manipulation

• arxiv url: http://arxiv.org/abs/2610.23872v1
• Date: Sat, 19 Sep 2026 01:41:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 23:07:06.3522
• Title: DUET: Decoupled Upper- and Lower-Body Execution for Task-Agnostic Humanoid Loco-Manipulation
• Title（参考訳）: タスク非依存型Humanoid Loco-Manipulationにおける上体と下体を分離したDDUETの1例
• Abstract要約: ヒューマノイドロボットの操作ポリシーを変更するには、ロボットのバランスを維持するコントローラを再訓練する必要がある。 本研究は,移動制御と操作制御を同時に動作させる,分離された実行フレームワークであるDUETを紹介する。
• 参考スコア（独自算出の注目度）: 2.8354116595688996
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Changing a humanoid robot's manipulation policy should not require retraining the controller that maintains the robot's balance. This study introduces DUET, a decoupled execution framework that enables locomotion and manipulation controllers to operate simultaneously by combining their commands only at the robot interface. A reinforcement-learning locomotion policy controls the 12 leg joints and a waist yaw joint, tracking planar velocity, turning rate, and pelvis height from deep crouching to upright standing on a 23-degree-of-freedom Unitree G1. The 10 arm joints are excluded from the action space, while their positions and velocities are included only as observations, so that any compatible manipulation policy that generates arm-joint targets can control the upper body, and the locomotion policy keeps the lower body stable without requiring shared training or direct coordination. This study demonstrates the modular approach on hardware by pairing the same locomotion checkpoint with two different vision-language-action models, GR00T N1.7 and pi0.5. In simulation evaluation, the locomotion controller kept the robot's lower body stable with no falls while tracking the commanded planar velocity, yaw rate, and pelvis height with errors of 0.186 m/s, 0.142 rad/s, and 0.016 m, respectively. Ablation studies identify the upper-body pose curriculum as the dominant component, and removing this training step reduces episode survival from 20.0 to 7.4 seconds and increases the fall rate to 6.06 per environment minute. Robustness tests show no falls under pushes of up to 1.0 m/s within the trained payload range, and no falls at twice the payload limit for pushes below 0.7 m/s. These results show that a manipulation policy can be exchanged without retraining, restarting, or otherwise touching the layer that keeps the robot upright.
• Abstract（参考訳）: ヒューマノイドロボットの操作ポリシーを変更するには、ロボットのバランスを維持するコントローラを再訓練する必要がある。 本研究は,ロボットインタフェース上でのみコマンドを組み合わせることで,移動制御と操作制御を同時に動作させる,分離された実行フレームワークであるDUETを紹介する。 強化学習ロコモーションポリシーは、23自由度ユニツリーG1上において、深いしゃがみから直立するまでの平面速度、旋回速度、骨盤高さをトラッキングし、12脚関節と腰ヤウ関節を制御する。 10個のアームジョイントはアクション空間から除外され、その位置と速度は観察としてのみ含まれ、アームジョイントターゲットを生成する互換性のある操作ポリシーが上半身を制御でき、移動ポリシーは、共有トレーニングや直接調整を必要とせずに下半身を安定に保つ。 本研究では,同じ移動チェックポイントを2つの異なる視覚言語対応モデル,GR00T N1.7 と pi0.5 に組み合わせることで,ハードウェアに対するモジュラーアプローチを実証する。 シミュレーション評価では、ロボットの下半身は、それぞれ0.186m/s、0.142rad/s、0.016mの誤差で、指示された平面速度、ヨーレート、骨盤の高さを追尾しながら、転倒することなく安定させた。 アブレーション研究では、上半身ポーズのカリキュラムが支配的な要素であり、このトレーニングのステップを除去することで、エピソードの生存時間を20.0秒から7.4秒に短縮し、環境1分あたりの転倒率を6.06に向上させる。 ロバストネステストでは、訓練されたペイロード範囲内では最大1.0m/sのプッシュによるフォールは見られず、0.7m/s以下のプッシュに対するペイロード制限の2倍のフォールは存在しない。 これらの結果から,ロボットを直立に保つレイヤに再トレーニング,再起動,あるいは触ることなく操作ポリシーを交換できることが示唆された。

関連論文リスト

• Learning Holistic Whole-Body Loco-Manipulation with a Bipedal Mobile Manipulator [6.961580294931018]
  両足歩行操作は、ロボットが腕の名目上の作業空間を超えて物体と対話することを可能にする。 タスクレベルの操作目標を協調した腕と脚の動きに変換する低レベル全体制御器を提案する。
  論文  参考訳（メタデータ） (2026-09-16T17:05:32Z)
• GigaBrain-WBC-0.5: A Behavior World Model for Robust Whole-Body Control with Environment Interaction [68.67772166423812]
  ヒューマノイド全身制御のための行動世界モデル(BWM)であるGigaBrain-WBC-0.5を提案する。 純粋にリアクティブなトラッカーではなく、因果トランスフォーマーをトレーニングして、次のアクション、次の状態、次の潜伏動作コマンドに対する分布を共同で予測します。 自動地形アノテーションパイプラインは、再ターゲティングされた動きから完全な3D接触形状を復元し、既存の動きデータセットのスケールでの地形アノテートを可能にする。
  論文  参考訳（メタデータ） (2026-08-18T18:21:36Z)
• Mobile Pedipulation for Object Sliding via Hierarchical Control on a Wheeled Bipedal Robot [5.584747732103647]
  本稿では、車輪付き二足歩行ロボットが車輪付き脚で物体のすべり作業を行うことを可能にする階層型制御フレームワークを提案する。 提案手法は, 非線形モデル予測制御器 (NMPC) を低次3次元剛体に基づいて定式化する。 軌道最適化に基づくロボット物体運動プランナを開発し, 接地物体接触における棒-すべり遷移を含む基準運動を生成する。
  論文  参考訳（メタデータ） (2026-06-17T16:09:02Z)
• End-to-End Control of a Powered Knee-Ankle Prosthesis Towards Unified, Tuning-Free Assistance [1.7837718124568467]
  そこで本研究では,車載センサからの連続アクチュエータ信号を推定するエンド・ツー・エンド・プロテーゼ・コントローラのリアルタイム展開について述べる。 テンポラル・コンボリューショナル・ネットワークは、大腿切断を行った18人の個人によるマルチテランのデータセットで訓練された。
  論文  参考訳（メタデータ） (2026-06-05T23:24:21Z)
• Safe Whole-Body Loco-Manipulation via Combined Model and Learning-based Control [46.47619556874003]
  そこで本研究では,マニピュレータアームのモデルベースアプタンス制御と足歩行の強化学習ポリシを組み合わせた全身制御を提案する。 アクセタンスコントローラは、物理的相互作用中に人間によって適用されるような外部レンチを、望ましいエンドエフェクタ速度にマッピングし、従順な振る舞いを可能にする。 6-DoFアームと手首に装着した6-DoF Force/Torqueセンサーを備えたUnitree Go2四足歩行ロボットを用いて,シミュレーションとハードウェアの両方におけるアプローチを検証する。
  論文  参考訳（メタデータ） (2026-03-02T22:31:12Z)
• 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)
• Agile and versatile bipedal robot tracking control through reinforcement learning [12.831810518025309]
  本稿では,二足歩行ロボットのための多目的コントローラを提案する。 足首と身体の軌跡を、単一の小さなニューラルネットワークを用いて広範囲の歩行で追跡する。 最小限の制御ユニットと高レベルなポリシーを組み合わせることで、高いフレキシブルな歩行制御を実現することができる。
  論文  参考訳（メタデータ） (2024-04-12T05:25:03Z)
• Reinforcement Learning for Versatile, Dynamic, and Robust Bipedal Locomotion Control [106.32794844077534]
  本稿では,二足歩行ロボットのための動的移動制御系を構築するために,深層強化学習を用いた研究について述べる。 本研究では、周期歩行やランニングから周期ジャンプや立位に至るまで、様々な動的二足歩行技術に使用できる汎用的な制御ソリューションを開発する。 この研究は、二足歩行ロボットの俊敏性の限界を、現実世界での広範な実験を通じて押し上げる。
  論文  参考訳（メタデータ） (2024-01-30T10:48:43Z)

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。