論文の概要: Learning-Enhanced Observer for Sensorless Task-Null-Space Compliant Control
- arxiv url: http://arxiv.org/abs/2610.28769v1
- Date: Tue, 20 Oct 2026 18:08:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.114462
- Title: Learning-Enhanced Observer for Sensorless Task-Null-Space Compliant Control
- Title（参考訳）: センサレスタスク数空間対応制御のための学習強化オブザーバ
- Abstract要約: 本稿では,ロバストレンチオブザーバとハイブリッドポーズとフォースコントローラを組み合わせた新しいフレームワークを提案する。
pHRIタスクでは、ロボットは人間の妨害に対するコンプライアンスを維持しながら、タスク空間の動きを頑健に行うことが期待されている。
- 参考スコア（独自算出の注目度）: 8.381837267178572
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a novel framework integrating a robust wrench observer with a hybrid pose and force controller for physical Human-Robot Interaction (pHRI). In pHRI tasks, robots are expected to perform task-space motions robustly while remaining compliance with human disturbance, which proposes distinct control objectives. Most existing approaches focus mainly on either robustness or compliance and rely on force sensors for real-time tracking. To address these limitations, we propose a novel framework with the following key contributions. Firstly, a neural network (NN) is trained to improve the observer performance by compensating for system friction and unmodeled dynamics. Secondly, a task-null-space decomposition is applied to separate the joint velocity and reduce the effect of the human disturbance on the observer. Finally, a hybrid pose and force controller is introduced to achieve the end-effector pose and force tracking. Experimental results demonstrate that the proposed framework provides robust and accurate wrench estimation while maintaining reliable pose and force tracking performance. The proposed approach offers an effective solution and framework for pHRI without the need of force/torque sensor measurements which can be applied to many robotic manipulator platforms which do not have force/torque sensors.
- Abstract（参考訳）: 本稿では,ロバストレンチオブザーバとハイブリッドポーズと物理ロボットインタラクションのための力制御機構を組み合わせた新しいフレームワークを提案する。
pHRIタスクでは、ロボットは人間の外乱へのコンプライアンスを維持しながら、タスク空間の動きを頑健に行うことが期待されている。
既存のアプローチのほとんどは、堅牢性またはコンプライアンスに重点を置いており、リアルタイムトラッキングにはフォースセンサーに依存している。
これらの制約に対処するため、以下の重要な貢献をした新しいフレームワークを提案する。
まず、ニューラルネットワーク(NN)は、システムの摩擦と非モデル力学を補償することにより、オブザーバのパフォーマンスを改善するために訓練される。
次に、タスク-ヌル空間分解を適用し、関節速度を分離し、観察者に対する人間の乱れの影響を低減する。
最後に、エンドエフェクタポーズとフォーストラッキングを達成するためにハイブリッドポーズとフォースコントローラを導入する。
実験結果から,提案フレームワークは信頼性の高いポーズと力追跡性能を維持しつつ,堅牢かつ正確なレンチ推定を提供することが示された。
提案手法は、力/トルクセンサを持たない多くのロボットマニピュレータプラットフォームに適用可能な、力/トルクセンサ測定を必要とせずに、pHRIに効果的なソリューションとフレームワークを提供する。
関連論文リスト
- ADAPT: Analytical Disturbance-Aware Policy Training for Humanoid Locomotion [21.269965799228576]
ADAPT(Analytical disturbance-Aware Policy Training)は、人型政策を物理的に根拠のある外乱オブザーバーに装備する枠組みである。
ADAPTは、力/トルクセンサーを必要とせずに、ロボットのダイナミックスを使って、オンラインで残留力/トルクを推定する。
論文 参考訳（メタデータ） (2026-06-15T10:47:18Z) - IMPACT: Learning Internal-Model Predictive Control for Forceful Robotic Manipulation [43.12484757720005]
実世界のロボット操作タスクは、しばしば環境との力強い相互作用を伴う。
我々は、これらの強制的なタスクをタスク計画と内部モデルに基づく予測制御に分離するフレームワークIMPACTを提案する。
論文 参考訳（メタデータ） (2026-06-09T13:00:56Z) - Learning Reactive Dexterous Grasping via Hierarchical Task-Space RL Planning and Joint-Space QP Control [50.28263951510334]
本稿では,リアクティブなデクスタリーグルーピングのためのハイブリッド階層型制御フレームワークを提案する。
提案手法は,低レベル共同実行から高レベル空間意図を明示的に分離する。
我々は厳密なシミュレーションと現実のパイプラインを通して提案したフレームワークを広範囲に検証する。
論文 参考訳（メタデータ） (2026-05-05T04:49:38Z) - ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation [55.467742403416175]
本稿では,大規模モーションキャプチャをヒューマノイドに変換する物理駆動型ニューラルネットワークを提案する。
我々は高密度参照とスパースタスク仕様の両方をサポートする統合マルチモーダルコントローラを学習する。
その結果,ULTRAは自我中心の知覚から,自律的,目標条件付き全体ロコ操作に一般化することが示された。
論文 参考訳（メタデータ） (2026-03-03T18:59:29Z) - 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) - Pro-HOI: Perceptive Root-guided Humanoid-Object Interaction [57.252599851031505]
本稿では,知覚根誘導型ヒューマノイドオブジェクトインタラクション,Pro-HOIを紹介する。
Pro-HOIは、堅牢なヒューマノイドロコ操作のための一般化可能なフレームワークである。
ユニツリーG1ロボットの実証検証は、Pro-HOIが一般化と堅牢性においてベースラインを著しく上回っていることを示す。
論文 参考訳（メタデータ） (2026-03-01T14:19:59Z) - HAIC: Humanoid Agile Object Interaction Control via Dynamics-Aware World Model [56.4392302336014]
本稿では,外部状態推定を伴わない多種多様なオブジェクトダイナミクス間のロバストな相互作用のためのフレームワークであるHAICを提案する。
我々の重要な貢献は、主観的歴史のみから高次対象状態(速度、加速度)を推定するダイナミクス予測器である。
ヒューマノイドロボットの実験では、HAICはアジャイルタスクで高い成功率を達成する。
論文 参考訳（メタデータ） (2026-02-12T09:34:35Z) - UniForce: A Unified Latent Force Model for Robot Manipulation with Diverse Tactile Sensors [51.88112610411651]
そこで本研究では,多様な触覚センサにまたがる共用潜在力空間を学習する,新しい統合された触覚表現学習フレームワークを提案する。
UniForceは、逆ダイナミクス(image-to-force)とフォワードダイナミクス(force-to-image)を共同モデリングすることで、クロスセンサー領域シフトを低減する
高価な外部力/トルクセンサ(F/T)への依存を避けるため,静的平衡を利用して直接センサ・オブジェクト・センサ・インタラクションを介して力対効果データを収集する。
論文 参考訳（メタデータ） (2026-02-01T11:03:01Z) - Integrating DeepRL with Robust Low-Level Control in Robotic Manipulators for Non-Repetitive Reaching Tasks [0.24578723416255746]
ロボット工学では、現代の戦略は学習に基づくもので、複雑なブラックボックスの性質と解釈可能性の欠如が特徴である。
本稿では, 深部強化学習(DRL)に基づく衝突のない軌道プランナと, 自動調整型低レベル制御戦略を統合することを提案する。
論文 参考訳（メタデータ） (2024-02-04T15:54:03Z) - TRiPOD: Human Trajectory and Pose Dynamics Forecasting in the Wild [77.59069361196404]
TRiPODは、グラフの注目ネットワークに基づいて身体のダイナミクスを予測する新しい方法です。
実世界の課題を取り入れるために,各フレームで推定された身体関節が可視・視認可能かどうかを示す指標を学習する。
評価の結果,TRiPODは,各軌道に特化して設計され,予測タスクに特化している。
論文 参考訳（メタデータ） (2021-04-08T20:01:00Z)
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。