全身マニピュレーション2025/9/1arXiv:2509.13534

人間型ロボットによる大型物体の抱え込み：強化学習を用いた全身マニピュレーション

Embracing Bulky Objects with Humanoid Robots: Whole-Body Manipulation with Reinforcement Learning

人間の動作事前分布とニューラル符号付距離場を強化学習に統合し、人間型ロボットが大型物体を全身で抱え込む多接触・長時間タスクを実現した。

詳しい要約

1. どんなもの？

- どんなもの？ - humanoid robot が腕・胴体を協調させて bulky object を抱き抱える whole-body manipulation (WBM) のための強化学習フレームワーク - 事前学習した human motion prior と neural signed distance field (NSDF) を統合 - teacher-student 構成で大規模 human motion data を蒸留し、運動学的に自然で物理的に実行可能な全身動作を生成 - 多接触 (multi-contact) と長期間 (long-horizon) の抱擁タスクを対象

2. 先行研究と比べてどこがすごい？

- 先行研究と比べてどこがすごい？ - end-effector のみの grasping は安定性・payload 制約で bulky object に限界があると指摘 - 腕と胴体の協調制御により安定な multi-contact を実現し、manipulation の robustness と load capacity を向上 - NSDF による正確かつ連続的な幾何知覚で long-horizon タスク中の contact awareness を改善 - 多様な形状・サイズへの適応性と sim-to-real transfer の成功を示した点

3. 技術・手法の肝は？

- 技術や手法の肝はどこ？ - reinforcement learning フレームワークに pre-trained human motion prior を組み込む - teacher-student architecture で大規模 human motion data を蒸留 - neural signed distance field (NSDF) を埋め込み、連続的な幾何・接触知覚を提供 - 腕と胴体の coordinated control により stable multi-contact interaction を生成 - 詳細なネットワーク構成や報酬設計は要旨からは不明

4. どうやって有効だと検証した？

- どうやって有効だと検証した？ - 包括的な simulations と real-world experiments を実施 - 多様な形状・サイズの物体への adaptability の改善を確認 - sim-to-real transfer の成功を報告 - 具体的な評価指標・被験物体・比較手法は要旨からは不明

5. 議論はある？

- 議論はある？ - 提案手法が multi-contact かつ long-horizon な WBM タスクに有効で実用的であると結論 - 限界・失敗事例・計算コスト・安全性に関する議論は要旨からは不明 - human motion prior の汎化性や NSDF の精度依存性についての考察は要旨からは不明

6. 次に読むべき論文は？

- 次に読むべき論文は？ - human motion prior を用いた humanoid の強化学習（例: AMP 系の motion imitation 研究） - teacher-student distillation による humanoid locomotion/manipulation の研究 - neural signed distance field (NSDF) を用いた contact-rich manipulation の研究 - humanoid の whole-body manipulation に関する既存 WBM 研究 - sim-to-real transfer を扱う humanoid 強化学習の研究

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Chunxin Zheng, Kai Chen, Zhihai Bi, Yulin Li, Liang Pan, Jinni Zhou, Haoang Li, Jun Ma

分類: cs.RO

原文アブストラクト

Whole-body manipulation (WBM) for humanoid robots presents a promising approach for executing embracing tasks involving bulky objects, where traditional grasping relying on end-effectors only remains limited in such scenarios due to inherent stability and payload constraints. This paper introduces a reinforcement learning framework that integrates a pre-trained human motion prior with a neural signed distance field (NSDF) representation to achieve robust whole-body embracing. Our method leverages a teacher-student architecture to distill large-scale human motion data, generating kinematically natural and physically feasible whole-body motion patterns. This facilitates coordinated control across the arms and torso, enabling stable multi-contact interactions that enhance the robustness in manipulation and also the load capacity. The embedded NSDF further provides accurate and continuous geometric perception, improving contact awareness throughout long-horizon tasks. We thoroughly evaluate the approach through comprehensive simulations and real-world experiments. The results demonstrate improved adaptability to diverse shapes and sizes of objects and also successful sim-to-real transfer. These indicate that the proposed framework offers an effective and practical solution for multi-contact and long-horizon WBM tasks of humanoid robots.

arXivで原文を読む →arXiv概要ページ

人間型ロボットによる大型物体の抱え込み：強化学習を用いた全身マニピュレーション

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文

今週よく読まれている記事

FRONTIER（GPU搭載BTOパソコン）

双腕モバイルマニピュレーター OpenShell