論文の概要: PolyMorphWBC: Whole-Body Control from End-Effector Trajectories for Quadrupedal Mobile Manipulation across Arm Morphologies with Extended Reach
- arxiv url: http://arxiv.org/abs/2611.15117v1
- Date: Wed, 11 Nov 2026 06:51:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.069186
- Title: PolyMorphWBC: Whole-Body Control from End-Effector Trajectories for Quadrupedal Mobile Manipulation across Arm Morphologies with Extended Reach
- Title(参考訳): PolyMorphWBC:拡張リーチによる四足歩行操作のためのエンドエフェクタ軌道の全体制御
- Abstract要約: PolyMorphWBCは、EEを唯一のタスクレベルのモーションコマンドとして取り込む階層的なコントローラである。
6-DoF搭載アームの4つのファミリーにまたがる協調アームベース運動を生成する。
93.95%の完成と2.30cmの位置誤差、4.81の方向誤差を達成している。
- 参考スコア(独自算出の注目度): 23.316003513417822
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quadrupedal mobile manipulators can extend their manipulation workspace by coordinating the mounted arm with the mobile base. At the task level, short-horizon end-effector (EE) trajectories provide an interface for specifying the desired manipulation motion without prescribing how it should be realized by the arm and base. However, executing such trajectories remains challenging because the controller must determine when and how the base should move, and this decision depends on the mounted-arm morphology. We therefore present PolyMorphWBC, a hierarchical controller that takes an EE trajectory as the sole task-level motion command and generates coordinated arm--base motions across four families of 6-DoF mounted arms, with extended-reach trajectories beyond the initial fixed-base reach. Within PolyMorphWBC, a trajectory-conditioned coordinator determines the base motion from previewed EE targets, while arm-specific Inverse Kinematics (IK) tracks the current target, and a frozen locomotion backend executes the resulting motion. Cross-arm reuse is enabled by a Unified Robot Description Format (URDF)-derived morphology conditioning, together with online residual-wrench feedback. We train PolyMorphWBC on procedurally generated arms and structured trajectories within and beyond fixed-base reach. In IsaacLab, it achieves 93.95% completion with 2.30cm position error and 4.81° orientation error on held-out trajectories and arm morphologies. In MuJoCo evaluation against UMI-on-Legs, PolyMorphWBC reduces EE position error by 69--72% and orientation error by 91--97% across four within- and extended-reach trajectories. On a physical Go2--ARX5 system, we demonstrate language-conditioned extended-reach pick-and-place using EE trajectories from pi_0 without vision-language-action (VLA)-generated base commands.
- Abstract(参考訳): 四足歩行移動マニピュレータは、装着したアームを移動体ベースに調整することにより、操作作業空間を拡張することができる。
タスクレベルでは、ショートホライズンエンドエフェクタ(EE)トラジェクタは、アームとベースによってどのように実現されるべきかを記述することなく、所望の操作動作を指定するインターフェースを提供する。
しかし、制御器がいつ、どのように移動すべきかを判断しなければならないため、そのような軌道の実行は依然として困難であり、この決定は搭載アームの形態に依存する。
そこで我々は,脳波を単独のタスクレベル動作指令とし,初期固定ベースリーチを超える延長軌跡を持つ6-DoF装着アームの4つのファミリ間の協調アームベース動作を生成する階層型制御器PolyMorphWBCを提案する。
PolyMorphWBC内では、軌道条件付きコーディネータがプレビューされたEEターゲットからベースモーションを決定し、一方、腕固有の逆運動学(Inverse Kinematics, IK)は現在のターゲットを追跡し、凍結した移動バックエンドが結果として生じる動きを実行する。
クロスアームの再利用は、Unified Robot Description Format (URDF) から派生した形態条件設定と、オンラインの残留レンチフィードバックによって実現されている。
プロシージャで生成されたアームと、固定ベースリーチ内外の構造軌道でPolyMorphWBCを訓練する。
IsaacLabでは、93.95%の完了を達成し、2.30cmの位置誤差と4.81°方向誤差を達成している。
UMI-on-Legsに対するMuJoCoの評価では、PolyMorphWBCはEE位置誤差を69~72%、方向誤差を91~97%削減する。
物理Go2-ARX5システムでは、視覚言語アクション(VLA)生成ベースコマンドを使わずに、pi_0からのEEトラジェクトリを用いた言語条件付き拡張リーチピック・アンド・プレイスを実演する。
関連論文リスト
- Adaptive Aerial Loco-Manipulation Policy Learning via LLM-Assisted Proactive Task Generation [21.317966714123195]
本稿では、外部アームコマンド下での適応飛行制御のための空中ロコ操作フレームワークであるALMAを提案する。
ALMAは、最近の計測と行動から適応する文脈的飛行ポリシーを採用している。
根平均二乗誤差を最強ベースラインに対して最大24.7%減少させる。
論文 参考訳(メタデータ) (2026-10-22T06:36:39Z) - From Target Selection to Digging: A Learning-Based Framework for Continuous Autonomous Excavation [20.435874483015635]
繰り返し掘削は杭の形状を再現し、自律的な掘削機が掘削目標に適応し、連続した掘削サイクルを横切る動きを調整する必要がある。
地形認識型目標選択と強化型および模倣型学習コントローラを統合した,連続的な自律的掘削のための学習ベースフレームワークを提案する。
論文 参考訳(メタデータ) (2026-09-24T13:01:26Z) - GigaBrain-WBC-0.5: A Behavior World Model for Robust Whole-Body Control with Environment Interaction [68.67772166423812]
ヒューマノイド全身制御のための行動世界モデル(BWM)であるGigaBrain-WBC-0.5を提案する。
純粋にリアクティブなトラッカーではなく、因果トランスフォーマーをトレーニングして、次のアクション、次の状態、次の潜伏動作コマンドに対する分布を共同で予測します。
自動地形アノテーションパイプラインは、再ターゲティングされた動きから完全な3D接触形状を復元し、既存の動きデータセットのスケールでの地形アノテートを可能にする。
論文 参考訳(メタデータ) (2026-08-18T18:21:36Z) - HarnessBridge: Learnable Bidirectional Controller for LLM Agent Harness [80.53160974102161]
本稿では,エージェント環境インタフェースを双方向投影としてパラメータ化する軽量学習型ハーネスコントローラであるHarnessBridgeを紹介する。
Terminal-Bench2.0 と SWE-bench Verified では、HarnessBridge はトークンの使用量と軌道長を大幅に削減しながら、強力な特殊なハーネスと一致または超えている。
論文 参考訳(メタデータ) (2026-06-11T04:18:37Z) - AIR-VLA+: Decoupling Movement and Manipulation via Cascaded Dual-Action Decoders with Asymmetric MoE for Aerial Robots [21.904995550394933]
非対称な特徴レベルのMixture of Experts(MoE)とカスケードデュアルアクションデコーダを特徴とする,空中操作に特化したフローマッチングアーキテクチャを提案する。
我々は,動作中のマニピュレータの意図を一方向から観察し,ワークフローの協調を実現するために,ケースケード操作と移動デコーダを構築した。
UAVムーブメントデコーダ内に暗黙のMoEアーキテクチャを配置し、異なるムーブメントの専門家がトレーニング中に様々なタスクステージのキャパシティインクリメントを自発的に表示できるようにする。
論文 参考訳(メタデータ) (2026-06-11T03:42:33Z) - 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) - C-Drag: Chain-of-Thought Driven Motion Controller for Video Generation [81.4106601222722]
トラジェクティブに基づくモーションコントロールは、制御可能なビデオ生成のための直感的で効率的なアプローチとして登場した。
我々はC-Dragという制御可能なビデオ生成のためのチェーン・オブ・ソート型モーションコントローラを提案する。
本手法は,物体認識モジュールとChain-of-Thoughtベースの動作推論モジュールを含む。
論文 参考訳(メタデータ) (2025-02-27T08:21:03Z) - Whole-body End-Effector Pose Tracking [10.426087117345096]
本研究では, 大規模作業空間におけるエンドエフェクタポーズトラッキングのための全身RL定式化手法を提案する。
提案手法は,ロボットの初期設定とエンドエフェクタポーズコマンドのための地形対応サンプリング戦略を含む。
展開時に2.64cmと3.64°のポーズ追跡誤差を達成し、既存の競争基準よりも優れている。
論文 参考訳(メタデータ) (2024-09-24T12:51:32Z) - ReLMoGen: Leveraging Motion Generation in Reinforcement Learning for
Mobile Manipulation [99.2543521972137]
ReLMoGenは、サブゴールを予測するための学習されたポリシーと、これらのサブゴールに到達するために必要な動作を計画し実行するためのモーションジェネレータを組み合わせたフレームワークである。
本手法は,フォトリアリスティック・シミュレーション環境における7つのロボットタスクの多種多様なセットをベンチマークする。
ReLMoGenは、テスト時に異なるモーションジェネレータ間で顕著な転送可能性を示し、実際のロボットに転送する大きな可能性を示している。
論文 参考訳(メタデータ) (2020-08-18T08:05:15Z)
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。