論文の概要: HLO-AMP: Hierarchical Loco-Manipulation from Object-Aware Motion Priors
- arxiv url: http://arxiv.org/abs/2611.05113v1
- Date: Tue, 03 Nov 2026 16:04:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-07 14:23:23.358963
- Title: HLO-AMP: Hierarchical Loco-Manipulation from Object-Aware Motion Priors
- Title（参考訳）: HLO-AMP: 物体認識動作の階層的ロコ操作
- Abstract要約: 我々は以前、低レベル(LL)コントローラ自体をオブジェクト認識モーションとしてトレーニングしました。
その後、基準フリーのハイレベル(HL)ポリシーがトップにトレーニングされる。
双方向のボックスピック・アンド・プレースのためのUnitree G1上のフレームワークをインスタンス化する。
- 参考スコア（独自算出の注目度）: 14.531604246936526
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hierarchical pipelines for humanoid loco-manipulation typically pair a task-agnostic whole-body controller (WBC) with a downstream task policy. Such WBCs are often trained through manual reward shaping, which yields visibly machine-like motions; more consequentially, they are trained without the manipulated object in the scene. Object dynamics are instead approximated through randomized end-effector force disturbances, a proxy that fails to reproduce the distributed multi-contact wrench a real payload applies across the arms and torso, with the gap becoming critical near the platform's payload limit. In this work, we train the low-level (LL) controller itself as an object-aware motion prior: a single policy trained via motion imitation on retargeted motion-capture (MoCap) references that span the core motion primitives of the downstream task, with the manipulated object physically present in the scene. This single stage inherits natural human-like coordination from the references and absorbs the realistic contact wrench at its source, while exposing the same compact task-space command interface used by command-tracking WBCs. A reference-free high-level (HL) policy is then trained on top, with its action channel anchored to the empirical envelope of the low-level training data so that it generalizes the priors to a long-horizon multi-stage task while structurally preventing queries that would push the low level off-distribution. We instantiate the framework on a Unitree G1 for bimanual box pick-and-place: the same deployed policy generalizes across object masses and dimensions, initial and goal poses, and reactively recovers from intentional drops mid-carry. Video: https://youtu.be/viR_ULnRDQQ.
- Abstract（参考訳）: ヒューマノイドのロコ操作のための階層パイプラインは通常、タスクに依存しない全身制御装置(WBC)と下流のタスクポリシーをペアリングする。
このようなWBCは手動の報酬形成によって訓練されることが多く、機械のような動きを視覚的に生成する。
オブジェクトのダイナミクスはランダム化されたエンドエフェクタ力の乱れによって近似されるが、これは実際のペイロードが腕と胴体全体に適用される分散マルチコンタクトレンチを再現できないプロキシであり、プラットフォームのペイロード限界付近でギャップが重要になる。
本研究では,下流タスクのコアモーションプリミティブにまたがるモーションキャプチャ(MoCap)参照の動作模倣によってトレーニングされた単一のポリシーを,操作対象が物理的にシーン内に存在して,低レベル(LL)コントローラ自体をオブジェクト認識動作としてトレーニングする。
この単一のステージは、参照から自然なヒューマンライクなコーディネーションを継承し、WBCのコマンド追跡に使われるのと同じコンパクトなタスク空間コマンドインターフェースを公開しながら、そのソースでのリアルなコンタクトレンチを吸収する。
リファレンスフリーな高レベル(HL)ポリシーは、そのアクションチャネルを低レベルのトレーニングデータの経験的エンベロープに固定し、低レベルの分散をプッシュするクエリを構造的に防止しつつ、前者を長期の多段階タスクに一般化する。
二元的ボックスピック・アンド・プレイスのためのUnitree G1上のフレームワークをインスタンス化し、同じデプロイされたポリシーがオブジェクトの質量と次元をまたいで一般化し、初期と目標のポーズを発生させ、故意のドロップから反応的に回復する。
ビデオ: https://youtu.be/viR_ULnRDQQ.com
関連論文リスト
- SP-HLM: Sparse-Pose-Driven Motion Generation and Whole-Body Control for Humanoid Loco-Manipulation [47.7821631479556]
スパース目的駆動インタフェース上に構築されたSP-HLMについて述べる。
インタフェースは5つのタスククリティカルなボディポーズと学習された潜在動作を組み合わせて、空間的意図と全体調整を表現する。
シミュレーションと実際のヒューマノイドロボットを用いた実験では、モーショントラッキングの改善、全身調整、ロボット操作の成功が示されている。
論文 参考訳（メタデータ） (2026-10-21T17:03:34Z) - OIL: An Object Interaction Layer for Humanoid Whole-Body Control [10.78987394423364]
油は、望まれるオブジェクトの動きと接触を含むように、全身制御のキネマティックなコマンドインターフェイスを拡張するオブジェクトインタラクション層である。
この設計により、プッシュ、プル、2腕のピック・アンド・プレイス、ロコモーション・カップリング・トランスポートなど、単一の学習されたポリシーで非包括的インタラクションを実行することができる。
論文 参考訳（メタデータ） (2026-10-01T05:12:31Z) - Cue the Flow: Steering Flow-Matching Policies for Open-World Delivery Manipulation [45.28184351826314]
オープンワールドのグッズデリバリーは、モバイルマニピュレータがフリーフォームのユーザーインストラクションに従い、潜在的に新しいオブジェクトを操作する必要がある。
既存のデュアルシステムアプローチでは、高レベルのグラウンドモデルを使用して、言語をグラウンド化された視覚的プロンプトに変換する。
代わりに、低レベル制御インタフェースとして、事前訓練されたフローマッチング・ビジョン-アクションモデルを使用します。
論文 参考訳（メタデータ） (2026-09-30T05:04:33Z) - GHOST: Hierarchical Sub-Goal Policies for Generalizing Robot Manipulation [54.305781492241785]
本稿では,トレーニング分布を超えて一般化したビジュモータ操作ポリシーを学習するための枠組みを提案する。
GHOSTは、(i)多視点RGB-D観測から、3Dエンドエフェクタ上の分布として次のサブゴールを予測する高レベルポリシーに制御を分解する。
一連のタスクの中で、この階層的な分解は、フラットな拡散ポリシーと比較して、パフォーマンスと堅牢性を一貫して改善します。
論文 参考訳（メタデータ） (2026-06-08T18:08:01Z) - VAIC: Vision-Guided Humanoid Agile Object Interaction Control via Decoupled Commands [56.029505206531155]
Vision Guided Agile Interaction Control (VAIC)は、現在のコントローラとヒューマノイドロボットのギャップを埋める統合フレームワークである。
まず、特権教師政策は、正確な物体運動学と正確な環境状態を用いて多様な相互作用スキルを習得する。
第二に、デプロイ可能な学生ポリシーは、全体追跡を複数の軸にまたがる速度目標に置き換えることで、これらの能力を蒸留する。
論文 参考訳（メタデータ） (2026-06-08T09:52:55Z) - Mind Your Steps: A General Learning Framework for Accurate Humanoid Foothold Tracking [78.30338456206984]
本稿では,汎用3D足場追跡ポリシーをトレーニングするための新しいフレームワークを提案する。
本手法は, 目標検層による足場支援を動的に行うことにより, 学習方針を特定の地形に依存しないものにする。
我々の新しいターゲット表現は、雑音や不正確なポーズ推定や足の接触推定といった現実の課題を効果的に緩和する。
論文 参考訳（メタデータ） (2026-06-06T16:44:56Z) - 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) - UniManip: General-Purpose Zero-Shot Robotic Manipulation with Agentic Operational Graph [23.060488218180936]
We present UniManip, a framework based on a Bi-level Agentic Operational Graph (AOG)
タスクオーケストレーションのための高レベルのエージェント層と、動的状態表現のための低レベルのScene Layerを結合することにより、システムは、抽象的な計画と幾何学的制約を継続的に整合させる。
実験では、未確認のオブジェクトやタスクに対するシステムの堅牢なゼロショット能力を評価し、最先端のVLAや階層的なベースラインと比較して22.5%と25.0%の成功率を示した。
論文 参考訳（メタデータ） (2026-02-13T16:47:26Z) - Dexplore: Scalable Neural Control for Dexterous Manipulation from Reference-Scoped Exploration [58.4036440289082]
ハンドオブジェクトモーションキャプチャ(MoCap)は、大規模でコンタクトに富んだデモと、器用なロボットスコープの約束を提供する。
Dexploreは、リポジトリとトラッキングを実行し、MoCapから直接ロボット制御ポリシーを学習する、統一された単一ループ最適化である。
論文 参考訳（メタデータ） (2025-09-11T17:59:07Z)
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。