論文の概要: Reusing Locomotion Training Recipes Across Humanoids via Body-Aligned Virtual Joints
- arxiv url: http://arxiv.org/abs/2611.18003v1
- Date: Fri, 13 Nov 2026 10:29:21 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:31:52.373104
- Title: Reusing Locomotion Training Recipes Across Humanoids via Body-Aligned Virtual Joints
- Title(参考訳): 身体に適応した仮想関節によるヒューマノイド全体の移動訓練
- Abstract要約: このマッピングの上流に、ボディアラインな仮想関節空間を導入する。
決定論的キネマティックレイヤは、仮想ターゲットをネイティブにマッピングし、既存のトランスミッションと低レベルのコントロールスタックをそのまま残します。
このインターフェースは、正確にトラックし、足の方向を移動方向に合わせて保ち、3つのヒューマノイド全てで安定的に列車を運行する唯一のものである。
- 参考スコア(独自算出の注目度): 9.266447987187544
- License:
- Abstract: Reinforcement learning has enabled robust humanoid locomotion, yet training recipes (rewards, architectures, hyperparameters) remain hard to reuse across robots with different native joint coordinates, since policies output native joint angles while action scales, bounds, gains, and penalties are defined in those robot-specific coordinates. Existing transmission models convert native targets into actuator commands but do not standardize the coordinate interface exposed to the policy. We introduce a body-aligned virtual joint space upstream of this mapping: policy actions and observations follow a common anatomical convention, and a deterministic kinematic layer maps virtual targets to native ones, leaving the existing transmission and low-level control stack unchanged. Under a single unmodified recipe on three humanoids with different leg-axis layouts, it is the only interface that tracks accurately, keeps the feet aligned with the travel direction, and trains stably on all three, and on Unitree G1 hardware it reduces heading drift by nearly a factor of six.
- Abstract(参考訳): 強化学習によってロバストなヒューマノイドの移動が可能になったが、動作スケール、境界、ゲイン、ペナルティがロボット固有の座標で定義されている間、ポリシーはネイティブな関節角を出力するため、異なる関節座標を持つロボット間でのレシピ(リワード、アーキテクチャ、ハイパーパラメータ)の再利用は難しいままである。
既存のトランスミッションモデルは、ネイティブターゲットをアクチュエータコマンドに変換するが、ポリシーに照らされた座標インターフェースを標準化しない。
政策行動と観測は共通の解剖学的慣行に従っており、決定論的キネマティック・レイヤは仮想目標をネイティブにマップし、既存のトランスミッションと低レベル制御スタックはそのままである。
脚軸配置が異なる3つのヒューマノイドの1つの無修正レシピの下では、正確にトラックし、足の方向を3つすべてに安定的に調整し、Unitree G1ハードウェア上では、方向のドリフトを6倍近く減少させる唯一のインターフェースである。
関連論文リスト
- Cross-Embodiment Motion Planning by Coupling Body-Agnostic World Model with Differentiable Ego-Dynamics [52.88405076406971]
クラッタ内の運動プランニングは、エンボディメント固有のものである。
この手紙は、このインターフェースでのクロス・エボディメント・モーション・プランニングを分解する、時計形のアーキテクチャであるHourglassを提案する。
論文 参考訳(メタデータ) (2026-10-30T06:45:17Z) - 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) - Learning Holistic Whole-Body Loco-Manipulation with a Bipedal Mobile Manipulator [6.961580294931018]
両足歩行操作は、ロボットが腕の名目上の作業空間を超えて物体と対話することを可能にする。
タスクレベルの操作目標を協調した腕と脚の動きに変換する低レベル全体制御器を提案する。
論文 参考訳(メタデータ) (2026-09-16T17:05:32Z) - Morphology-Aware Human Motion Retargeting for Wheeled-Humanoid Loco-Manipulation [3.1041072702135213]
本稿では,マルチデータセット動作をガラクサR1車輪型ヒューマノイドのロコ操作動作に変換するパイプラインを提案する。
ロボットは平面式3輪ベースとシリアル胴体と2本の腕を持つが、脚の関節は持たない。
基準ツイスト駆動の計画層は、平面ベースの動きを連続した3輪ステアリングとローリングコマンドにデコードする。
論文 参考訳(メタデータ) (2026-09-10T10:40:31Z) - 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) - Towards Human-level Dexterous Teleoperation [62.77371751776912]
人レベルのデキスタラス遠隔操作は、動的手動物体接触による物体の動きを正確に制御する必要がある。
我々は,操作者の意図を学習された低レベルのコンタクト実行にマッピングするハンドオブジェクト・コトラッキング・コントローラであるTeleDexterを紹介した。
我々はTeleDexterを、物体の向きを変える7つの難易度遠隔操作タスクと、両手にわたる長距離ツールを用いて評価した。
論文 参考訳(メタデータ) (2026-07-13T12:36:47Z) - Learning Whole-Body Control for a Salamander Robot [1.321203201549798]
サラマンダーに触発された両生類脚ロボットは、複雑な水陸両生環境における応用を約束している。
多くのサンショウウオロボットは、中心パターンジェネレータ(CPG)をベースとし、ロコモーション制御のためのモデルベースコーディネート戦略に頼っていた。
強化学習(Reinforcement Learning)を用いて、主観的観察をマッピングし、共同レベルの行動に速度を指示することで、協調した運動行動が出現する。
論文 参考訳(メタデータ) (2026-03-17T15:43:15Z) - Load-Aware Locomotion Control for Humanoid Robots in Industrial Transportation Tasks [19.55626538861657]
本稿では、疎結合で協調的なロコ操作アーキテクチャに基づく産業用ヒューマノイドの負荷対応ロコモーションフレームワークを提案する。
下半身移動は、運動学的に派生した名目構成に残留的な関節動作を生じる強化学習ポリシーを介して制御される。
このフレームワークは完全にシミュレーションで訓練され、微調整なしでフルサイズのヒューマノイドロボットにデプロイされる。
論文 参考訳(メタデータ) (2026-03-15T09:57:32Z) - Gait-Adaptive Perceptive Humanoid Locomotion with Real-Time Under-Base Terrain Reconstruction [86.53248703859718]
本研究では,地形認識,歩行制御,全身制御を一つの強化学習ポリシーにマージする知覚的移動フレームワークを提案する。
31-DoF、1.65mのヒューマノイドロボットによる実験は、シミュレーションと実世界の両方で堅牢な移動を実証している。
論文 参考訳(メタデータ) (2025-12-08T11:42:41Z) - HOSIG: Full-Body Human-Object-Scene Interaction Generation with Hierarchical Scene Perception [57.37135310143126]
HO SIGは階層的なシーン認識を通じて全体インタラクションを合成するための新しいフレームワークである。
我々のフレームワークは、自己回帰生成による運動長の無制限化をサポートし、手動による介入を最小限に抑える。
この研究は、シーン認識ナビゲーションとデクスタラスオブジェクト操作の間に重要なギャップを埋める。
論文 参考訳(メタデータ) (2025-06-02T12:08:08Z)
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。