論文の概要: HIPC: Humanoid Iterative Planning and Control via Goal-Conditioned Motion Closure

• arxiv url: http://arxiv.org/abs/2610.41334v1
• Date: Fri, 30 Oct 2026 06:48:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.634932
• Title: HIPC: Humanoid Iterative Planning and Control via Goal-Conditioned Motion Closure
• Title（参考訳）: HIPC:ゴール・コンディション・モーション・クロージャによるヒューマノイドの反復計画と制御
• Abstract要約: 実時間Humanoid Iterative Planning and ControlフレームワークHIPCを提案する。 HIPCは、モーショントラッキングを備えた生成モデルを統合された計画制御パラダイムに結合する。 その結果、HIPCは、物理的堅牢性と転倒からの回復能力を同時に示しながら、最先端の目標達成精度を達成できた。
• 参考スコア（独自算出の注目度）: 51.2488709125534
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent generative models are widely used to provide whole-body motion for humanoid tracking. Current methods combine motion generators with controllers in an open-loop paradigm, which leads to critical issues: tracking errors can accumulate into spatial drift, and the planner cannot adapt to unexpected physical disturbances without feedback from physical execution. However, directly feeding realized states back to the planner in a closed loop can cause discontinuities, resulting in physical jitter and even falls, since such states are out of distribution during training. To bridge this gap, we propose HIPC, a real-time Humanoid Iterative Planning and Control framework that couples a generative model with motion tracking into a unified planning-and-control paradigm. HIPC introduces a goal-conditioned motion planning trained with a canonical motion representation that avoids gimbal-lock singularities under extreme orientations and supports motion generation on diverse geometric and semantic conditions. Then, HIPC adopts two strategies, deviation-decayed recovery and history re-anchoring, to mitigate the out-of-distribution shift caused by realized-state feedback. Finally, HIPC operates a real-time asynchronous planning-and-control system, with latency compensation to reduce temporal mismatch for inference delay. Extensive experiments confirm the effectiveness of HIPC under switching and composition of diverse conditions. Results show that HIPC achieves state-of-the-art goal-reaching accuracy among existing methods while simultaneously demonstrating robustness to physical perturbations and the ability to recover from falls.
• Abstract（参考訳）: 最近の生成モデルは、ヒューマノイド追跡のための全身運動を提供するために広く利用されている。 現在の手法では、モーションジェネレータをオープンループパラダイムのコントローラと組み合わせることで、エラーの追跡が空間的ドリフトに蓄積され、プランナーは物理的実行からのフィードバックなしに予期せぬ物理的障害に適応できないという重大な問題が発生する。 しかし、クローズドループで実現された状態を直接プランナーにフィードバックすると不連続が発生し、トレーニング中にそのような状態が分布しなくなるため、物理的ジッタや転倒さえ生じる。 このギャップを埋めるため,実時間Humanoid Iterative Planning and Control フレームワーク HIPC を提案する。 HIPCは、極端方向の下でジンバルロックの特異点を回避し、多様な幾何学的および意味的な条件下での運動生成をサポートする正準運動表現で訓練された目標条件の運動計画を導入する。 そして、HIPCは、逸脱回復と履歴再編成という2つの戦略を採用し、実状態フィードバックによるアウト・オブ・ディストリビューションシフトを緩和する。 最後に、HIPCはリアルタイムの非同期計画制御システムで動作し、遅延補償により、推論遅延の時間的ミスマッチを低減する。 多様な条件のスイッチングおよび構成におけるHIPCの有効性を広範囲にわたる実験により確認した。 その結果,HIPCは既存手法の目標達成精度を達成しつつ,物理的摂動に対する頑健性と転倒から回復する能力を示した。

関連論文リスト

• A Task-Space Receding Horizon Controller for Fast Collision Avoidance [0.08594140167290099]
  ロボットマニピュレータのリアルタイム衝突回避には、予期せぬ障害物運動に対する迅速な反応が必要である。 完全なモデル予測制御は、この展望を提供することができるが、オンラインコストは、水平線長、モデル忠実度、アクティブな幾何学的制約の数とともに急速に増大する可能性がある。 本稿では, 短時間の接触一貫性を持つロールアウトを用いて, 終端キネマティック参照を生成するタスクスペースリテーディング・ホライゾンコントローラを提案する。
  論文  参考訳（メタデータ） (2026-07-17T08:13:12Z)
• RAVEN: Reinforcement-Adaptive Visibility-Graph Planning for Robust Humanoid Navigation with Collision-Free MPC [11.923992019929495]
  本稿では,ロバストなヒューマノイドナビゲーションのための階層型強化学習フレームワークであるRAVENを提案する。 RAVENは、障害物インフレーションと関連するグラフパラメータを変更することで、可視グラフプランナーの幾何学的構成にRLを適用する。 その結果、障害物近傍でのオーバーシュートを低減し、狭い通路でのロバスト性を向上し、遅延と騒音下でのより信頼性の高い航法が示された。
  論文  参考訳（メタデータ） (2026-07-17T07:23:54Z)
• SegDiff: Segmented Trajectory Diffusion for Consistent and Adaptive Robot Manipulation [65.81476183180527]
  両パラダイムの長所を統合するクローズドループビズモータポリシであるSegDiffを紹介する。 SegDiffはデモをキーセグメンテーション間で動作セグメントに分解し、現在の状態から次のキーセグメンテーションまでの連続的な軌跡を予測することを学習する。 SegDiffは、さまざまなシミュレートされた実世界のシナリオにおいて、既存のアプローチよりも大きなパフォーマンス向上を示している。
  論文  参考訳（メタデータ） (2026-07-13T02:48:03Z)
• ReactiveBFM: Reactive Closed-Loop Motion Planning Towards Universal Humanoid Whole-Body Control [54.267632784131415]
  ReactiveBFMは、ヒューマノイドのためのリアルタイムループ計画制御フレームワークである。 定期的なプレフィックスサンプリングカリキュラムを通じて、致命的な累積露光バイアスを軽減する。 これは、テキスト条件付きクローズドループ運動の膨大なレパートリーにおいて、前例のない物理的機敏さを示す。
  論文  参考訳（メタデータ） (2026-06-29T14:27:27Z)
• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• F2F-AP: Flow-to-Future Asynchronous Policy for Real-time Dynamic Manipulation [62.06267255986041]
  非同期推論はロボット操作における主要なパラダイムとして現れている。 本稿では,予測対象の流れを利用して将来の観測を合成する新しい枠組みを提案する。 本手法は複雑な動的操作タスクにおける応答性と成功率を大幅に向上させる。
  論文  参考訳（メタデータ） (2026-04-02T17:57:15Z)
• STEP: Warm-Started Visuomotor Policies with Spatiotemporal Consistency Prediction [16.465783114087223]
  反復デノゲーションは、リアルタイム閉ループシステムにおける制御周波数を制限し、相当な推論遅延をもたらす。 高品質なウォームスタート動作を構築するための軽量時整合予測機構STEPを提案する。 2段階のSTEPは、RoboMimicベンチマークや実世界のタスクでBRIDGERやDDIMよりも平均21.6%、27.5%高い成功率を達成することができる。
  論文  参考訳（メタデータ） (2026-02-09T03:50:40Z)
• HPTune: Hierarchical Proactive Tuning for Collision-Free Model Predictive Control [55.015741360766945]
  本稿では,高速なチューニングと低速なチューニングを組み合わせた階層型プロアクティブチューニング(HPTune)フレームワークを提案する。 我々はHPTuneをドップラーLiDARと統合し、位置のみの測定とは別に障害物速度を提供し、運動予測を強化した。 安全でアジャイルな衝突回避戦略を定式化することにより,HPTuneは状況調整型動作計画を可能にする。
  論文  参考訳（メタデータ） (2026-01-29T07:15:39Z)
• Warm-Starting Collision-Free Model Predictive Control With Object-Centric Diffusion [38.363402738466334]
  拡散型ウォームスタート条件と潜時オブジェクト中心のシーン表現を組み合わせることで、厳密な時間制限下での信頼性と効率的な動き生成が得られることを示す。 提案手法では,オブジェクト中心のスロットアテンション機構を用いて,システム状態,タスク,周囲に拡散トランスフォーマを設定できる。 サンプル軌道は、剛体力学と符号-距離衝突制約を強制する最適制御問題によって洗練される。
  論文  参考訳（メタデータ） (2026-01-06T10:02:54Z)

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。