論文の概要: Learning Force-Reactive Humanoid Loco-Manipulation

• arxiv url: http://arxiv.org/abs/2610.35862v1
• Date: Mon, 26 Oct 2026 17:59:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.140217
• Title: Learning Force-Reactive Humanoid Loco-Manipulation
• Title（参考訳）: 力に反応するヒューマノイドロコマニピュレーションの学習
• Abstract要約: 力反応性ヒューマノイドのロコ操作を学習するためのフレームワークであるFLOREを提案する。 力反応性拡散ポリシは、視覚、受容、測定されたレンチを入力として、次にアクションを予測し、手動のコマンドを出力する。 力トラッキングを備えたハイブリッドコンプライアンス全体コントローラは、バランスを維持しながらこれらのコマンドを実行する。
• 参考スコア（独自算出の注目度）: 25.52335332534506
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many everyday tasks require controlling contact force as well as motion. On a humanoid, this force must often be coordinated across both hands and the whole body, and cannot be specified by kinematic trajectories alone. Therefore, we present FLORE, a framework for learning force-reactive humanoid loco-manipulation. We collect robot-free demonstrations using two force-sensing UMI-style handheld grippers for hand motion and contact wrenches, and wearable trackers for body motion. A force-reactive diffusion policy takes vision, proprioception, and measured wrenches as input, then predicts actions and per-hand force commands. A hybrid compliance whole-body controller with force tracking executes these commands while maintaining balance: an integral of the force error measured by real force/torque (F/T) sensors lets each hand track force accurately along the commanded direction and remain compliant along the others. In simulation, the controller tracks per-hand force commands of varied magnitude and direction, with little loss in whole-body motion accuracy. Across three contact-rich tasks on the robot, the force-reactive policy succeeds in 80% of rollouts, compared with 26.7% for a position-only policy trained on the same demonstrations and executed by the same controller. For more details, please visit our website: https://louis-leee.github.io/FLoRe/.
• Abstract（参考訳）: 日常的な作業の多くは、運動と同様に接触力を制御する必要がある。 ヒューマノイドでは、この力はしばしば手と体全体の間で調整されなければならず、運動軌道だけでは特定できない。 そこで本研究では,力反応性ヒューマノイドのロコ操作を学習するためのフレームワークであるFLOREを提案する。 ハンドモーションとコンタクトレンチのためのUMI式ハンドヘルドグリップと、ボディモーションのためのウェアラブルトラッカーを用いて、ロボットフリーのデモを収集した。 力反応性拡散ポリシは、視覚、受容、測定されたレンチを入力として、次にアクションを予測し、手動のコマンドを出力する。 実力/トルク(F/T)センサーによって測定された力誤差の積分は、各手の動きを指示された方向に沿って正確に追跡し、他の方向に沿って順守する。 シミュレーションでは、コントローラーは、身体全体の運動精度をほとんど損なわず、大きさと方向の異なるハンドフォースコマンドをトラックする。 ロボット上での3つの接触に富むタスクの中で、力に反応するポリシーは80%のロールアウトで成功し、同じデモでトレーニングされ、同じコントローラーによって実行される位置のみのポリシーでは26.7%となった。 詳細は、私たちのWebサイトをご覧ください。

関連論文リスト

• Robot Learning with Visual Predicted Force [50.37652437302163]
  本研究では、Fin Rayグリップの変形から視覚力予測を行うことで、力覚操作が可能であることを示す。 この結果から,視覚力予測は,視覚力や触覚センサの配置を必要とせずに,コンタクトリッチな操作のための推論時行動選択を導出できることがわかった。
  論文  参考訳（メタデータ） (2026-10-03T20:11:33Z)
• Real-Time Force Regulation for Whole-Hand Dexterous Grasping [56.253219596767075]
  本報告では, 接触の動的変化に対するリアルタイム力規制の枠組みについて述べる。 本手法は, 触覚を必要とせず, 全ハンドリンクにまたがる接触を幾何学的に推定する。 我々は,この力調節制御系を反応的リーチと統合し,手の動きを把握し,乱れ下で保持し,物体を失くした後の再生を可能にする。
  論文  参考訳（メタデータ） (2026-09-24T16:31:51Z)
• TAC-LOCO: Unified Whole-Body Control for Quadrupedal TACtile-Informed LOCO-Manipulation [13.785492911693098]
  動的ロコ操作では、不確実な外力下での把握された物体との安定した物理的相互作用を維持しながら、脚のあるロボットが全身の動きを調整する必要がある。 触覚を付加した統合強化学習フレームワークであるTAC-LOCOを提案する。 We deploy the policy zero-shot on a Unitree Go2 with an Interbotix WidowX 250 arm and tactile gripper, showed dynamic tactile-informed loco-manipulation under various external interaction。
  論文  参考訳（メタデータ） (2026-07-11T05:45:24Z)
• ForceBand: Learning Forceful Manipulation with sEMG [55.186900419710746]
  ForceBandは低コストで手首を縫ったsEMGシステムで、人間の筋肉活動を力で強化されたデモに変える。 我々は,筋電図およびIMU信号から指ごとの力を予測するEMG2Forceモデルを事前訓練する。 実験により、ForceBandは視覚ベースラインよりも50%以上低い力予測誤差で細粒度の指先相互作用を回復することが示された。
  論文  参考訳（メタデータ） (2026-06-24T17:59:35Z)
• 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)
• Learning Force-Regulated Manipulation with a Low-Cost Tactile-Force-Controlled Gripper [18.40849472506029]
  TF-グリッパー(TF-Gripper)は、触覚をフィードバックとして統合する低コストのパラレルジャウグリップである。 RETAFは、アームポーズ予測から握力制御を分離するフレームワークである。 TF-Gripper と RETAF は,実世界の5つのタスクにおいて,正確な力規制を必要とする。
  論文  参考訳（メタデータ） (2026-02-10T17:36:33Z)
• 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)
• Feel the Force: Contact-Driven Learning from Humans [52.36160086934298]
  操作中のきめ細かい力の制御は、ロボット工学における中核的な課題である。 We present FeelTheForce, a robot learning system that model human tactile behavior to learn force-sensitive control。 提案手法は,5つの力覚的操作タスクで77%の成功率を達成した,スケーラブルな人間の監督において,堅牢な低レベル力制御を実現する。
  論文  参考訳（メタデータ） (2025-06-02T17:57:52Z)
• Learning Force Control for Legged Manipulation [18.894304288225385]
  本稿では,力覚へのアクセスを必要とせず,直接力制御のためのRLポリシーを訓練する方法を提案する。 腕を持つ四足ロボットの全身制御プラットフォーム上で本手法を実証する。 足のマニピュレータに学習した全身力制御を初めて導入し、より汎用的で適応可能な脚ロボットの道を歩む。
  論文  参考訳（メタデータ） (2024-05-02T15:53:43Z)

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。