論文の概要: DiffContact: Differentiable Contact Dynamics for Policy Learning and Contact-Implicit Trajectory Optimization
- arxiv url: http://arxiv.org/abs/2610.35852v2
- Date: Mon, 02 Nov 2026 16:42:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-04 02:41:44.805161
- Title: DiffContact: Differentiable Contact Dynamics for Policy Learning and Contact-Implicit Trajectory Optimization
- Title（参考訳）: DiffContact:政策学習と接触型軌道最適化のための微分可能な接触ダイナミクス
- Abstract要約: 本稿では摩擦接触のスムーズな解析勾配であるDiffContactを提案する。
足の移動に対するポリシー学習と軌道最適化に応用される。
- 参考スコア（独自算出の注目度）: 1.7836561701949682
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper proposes DiffContact, a smooth analytic gradient for frictional contact, and applies it to policy learning and contact-implicit trajectory optimization for legged locomotion. The exact contact sensitivity is available in closed form but describes changes within the current contact mode, providing no first-order information toward neighboring contact modes. The proposed gradient replaces this sensitivity only in the backward pass, leaving the hard-contact forward solve unchanged and the realized rollout feasible. A central-path relaxation of the de Saxcé-corrected second-order-cone complementarity problem for Coulomb friction smooths the conditions defining the separating, clamping, and sliding modes. The relaxed sensitivity is evaluated at a point on the central path obtained by a Newton iteration initialized from the hard-contact solution. The sensitivity remains continuous through contact-mode transitions and converges to the exact sensitivity as the relaxation vanishes. Using 100,000 samples and less than 2 min of training on a desktop PC, policy learning with the proposed gradient produces a policy that transfers to hardware without fine-tuning. On hardware, the robot under a trotting policy withstands pushes and traverses debris and slippery ground. In trajectory optimization, the proposed gradient reaches contact-rich solutions missed by exact and Signorini-relaxed gradients. Project page: https://diffcontact.github.io
- Abstract（参考訳）: 本稿では,摩擦接触のスムーズな解析勾配であるDiffContactを提案する。
正確な接触感度はクローズド形式で利用できるが、現在の接触モード内での変更を記述しており、近隣の接触モードに対する1次情報を提供していない。
提案した勾配は後方通過でのみこの感度に置き換わり、ハードコンタクトフォワードは未解決のままであり、実現可能なロールアウトが可能である。
クーロン摩擦に対するデ・サクセ補正第二次錐相補性問題の中心経路緩和は、分離、クランプ、スライディングモードを定義する条件を円滑にする。
固接触溶液から初期化したニュートン反復により得られる中心経路の点において緩和感度を評価する。
感度は接触モード遷移を通じて継続し、緩和が消えるにつれて正確な感度に収束する。
10万のサンプルと2分未満のトレーニングをデスクトップPC上で使用して、提案した勾配によるポリシー学習は、微調整なしでハードウェアに転送するポリシーを生成する。
ハードウェア上では、トロッティングポリシーのロボットは押し込みに耐え、破片や滑りやすい地面を横切る。
軌道最適化において、提案された勾配は、正確におよびシニョリーニ緩和された勾配によって欠落した接触リッチな解に到達する。
プロジェクトページ: https://diffcontact.github.io
関連論文リスト
- TacGooseBumps (TacGB): Retrofitting Normal-Only Tactile Sensors with Shear Encoding for Learning Contact-Rich Manipulation [54.86974994302033]
接触に富んだ政策はしばしば失敗する。なぜなら、異なる物理的状態は似ているが異なる行動を必要とするからである。
本稿では,既存のセンサの圧力マップのパターン変化として,タンジデンシャルローディングを機械的にエンコードするパッシブドームフィルムであるTacGooseBumpsを紹介する。
4つの模倣学習タスクと2つのデータ収集パイプラインで、TacGBは目標達成、効率、接触品質を改善している。
論文 参考訳（メタデータ） (2026-09-27T23:04:32Z) - Bundled Contact Gradients: Stabilizing Differentiable Simulation for Deployable Dynamic Tasks [20.28841276296924]
微分可能シミュレーションはロボット力学の分析勾配を提供する。
剛体シミュレーションにおける接触剛性は相互作用の忠実性を改善するが、力学を小さな状態摂動に敏感にする。
本稿では,異なるポリシー学習のための接触局所ランダム化平滑化フレームワークであるemphBundled Contact Gradients (BCG)を提案する。
論文 参考訳（メタデータ） (2026-09-25T08:02:29Z) - Seeing Touch from Motion: A Unified Modality-Aware Visuo-Tactile Policy with Tactile Motion Correlation [74.87716678195099]
光触覚センサーを利用した視覚触覚ポリシーは、コンタクトリッチな操作において大きな可能性を秘めている。
これらの利点にもかかわらず、接触リッチな操作に必要なきめ細かい接触状態の抽出は未解決の課題である。
本研究では,触覚を触覚で認識し,触覚を触覚で表現する手法を提案する。
論文 参考訳（メタデータ） (2026-06-29T08:20:18Z) - CoCo-InEKF: State Estimation with Learned Contact Covariances in Dynamic, Contact-Rich Scenarios [10.290787487255301]
CoCo-InEKFは、二元接触状態の代わりに連続接触速度共分散を利用する微分不変な拡張カルマンフィルタである。
我々は、接触候補点を予測するために状態エラー損失を用いて、エンドツーエンドで訓練された軽量ニューラルネットワークを用いる。
二足歩行ロボットの実験は、線形速度推定に優れた精度・効率のトレードオフを示す。
論文 参考訳（メタデータ） (2026-05-14T17:35:06Z) - ComFree-Sim: A GPU-Parallelized Analytical Contact Physics Engine for Scalable Contact-Rich Robotics Simulation and Control [7.095015036485825]
相補性のない接触モデリングに基づくGPU並列解析用接触物理エンジンを提案する。
ComFree-Simは、クーロン摩擦の二重錐におけるインピーダンススタイルの予測-補正更新を通じて、接触インパルスを閉じた形で計算する。
論文 参考訳（メタデータ） (2026-03-12T17:14:45Z) - Certified Gradient-Based Contact-Rich Manipulation via Smoothing-Error Reachable Tubes [5.119652071085673]
我々は接触リッチな操作のための新しい勾配に基づくポリシー合成法を開発した。
提案手法は,平面プッシュ,オブジェクト回転,手動操作など,複数の接触に富むタスクに対して評価する。
定値ロバスト制御で微分可能な物理をブリッジすることにより,接触リッチな操作を行うための,初めて証明可能な勾配式ポリシー合成法である。
論文 参考訳（メタデータ） (2026-02-10T03:19:42Z) - Hard Contacts with Soft Gradients: Refining Differentiable Simulators for Learning and Control [23.097754383355156]
接触力は、ロボット力学の勾配に基づく最適化において大きな課題となる。
ペナルティに基づくシミュレータの接触計算を解析し,勾配誤差の原因を特定する。
本稿では,MuJoCo XLAとアダプティブ統合を組み合わせたDiffMJXを提案する。
論文 参考訳（メタデータ） (2025-06-17T04:58:08Z) - Reactive Diffusion Policy: Slow-Fast Visual-Tactile Policy Learning for Contact-Rich Manipulation [58.95799126311524]
人間は視覚と触覚を使って、外的変化に対する迅速な応答や接触力の適応制御のような非常に反応性の高い能力で、コンタクトリッチなタスクを達成できる。
既存の視覚模倣学習アプローチは、複雑な振る舞いをモデル化するためにアクションチャンキングに依存している。
本稿では,Augmented Realityを通じてリアルタイム触覚フィードバックを提供する,低コスト遠隔操作システムであるTactARを紹介する。
論文 参考訳（メタデータ） (2025-03-04T18:58:21Z) - DiffPD: Differentiable Projective Dynamics with Contact [65.88720481593118]
DiffPDは、暗黙の時間積分を持つ効率的な微分可能なソフトボディシミュレータである。
我々はDiffPDの性能を評価し,様々な応用における標準ニュートン法と比較して4～19倍のスピードアップを観測した。
論文 参考訳（メタデータ） (2021-01-15T00:13:33Z)
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。