日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

ヒューマノイド制御arXiv:2511.20275

HAFO: 強力な相互作用環境におけるヒューマノイドロボットのための力適応制御フレームワーク

HAFO: A Force-Adaptive Control Framework for Humanoid Robots in Intense Interaction Environments

シェア:XThreadsFacebookLINEはてブBluesky

二重エージェント強化学習により、ヒューマノイドの歩行と上半身操作を同時に最適化し、強い外力下でも安定した全身制御を実現するフレームワークを提案。

詳しい要約

1. どんなもの?

- ヒューマノイドロボットの強力な力相互作用環境向け制御フレームワーク HAFO の提案 - 強化学習 (RL) ベースの二重エージェント構成 - 頑健な locomotion 戦略と精密な upper-body manipulation 戦略を同時に最適化 - coupled training により両者を統合 - 単一の dual-agent policy で多様な力相互作用環境の whole-body control を実現 - 荷重負荷・推力外乱・ロープ懸垂状態でも安定動作を報告

2. 先行研究と比べてどこがすごい?

- 従来の RL controller は locomotion と軽量物体操作で進展したが、強い力相互作用下の頑健かつ精密な運動制御は未解決 - HAFO は locomotion と upper-body manipulation を二重エージェントで同時最適化し、強力相互作用に対応 - constrained residual action space により二重エージェント学習の安定性と sample efficiency を改善 - 外力張力外乱を spring-damper system で明示的にモデル化し、virtual spring 操作で細粒度の力制御を可能に - 単一の dual-agent policy で多様な環境の whole-body control を達成した点が特徴

3. 技術・手法の肝は?

- dual-agent reinforcement learning フレームワーク - locomotion 戦略と upper-body manipulation 戦略を coupled training で同時最適化 - constrained residual action space を採用 - 二重エージェント訓練の安定性と sample efficiency を向上 - 外部張力外乱を spring-damper system で明示的にモデル化 - virtual spring の操作を通じて細粒度の力制御を実現 - RL policy が環境フィードバックを利用して disturbance-rejection response を自律生成

4. どうやって有効だと検証した?

- 多様な力相互作用環境における whole-body control を単一の dual-agent policy で実現することを実験的に示す - 荷重負荷 (load-bearing) 条件下で優れた性能を報告 - 推力外乱 (thrust-disturbance) 条件下で優れた性能を報告 - ロープ懸垂 (rope suspension) 状態でも安定動作を維持 - 具体的な評価指標・比較対象・実験設定の詳細は要旨からは不明

5. 議論はある?

- 強力相互作用下での RL 制御の難しさに対し、二重エージェントと外力モデル化で対処する設計思想 - constrained residual action space が訓練安定性・sample efficiency に寄与する点の議論 - spring-damper system による外力モデル化と virtual spring 操作の有効性 - 単一 policy で多環境に対応できる汎化性 - 限界・失敗事例・定量的比較に関する議論は要旨からは不明

6. 次に読むべき論文は?

- 要旨で参照/比較されている具体的な先行研究は明示されていない - 関連手法として reinforcement learning による humanoid locomotion および object manipulation の研究 - 外力・接触力モデリングに関連する spring-damper system を用いた制御研究 - 二重エージェント/マルチエージェント RL や residual action space を用いた制御研究 - whole-body control に関する humanoid robotics 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: Chenhui Dong, Haozhe Xu, Wenhao Feng, Zhipeng Wang, Yanmin Zhou, Yifei Zhao, Bin He

分類: cs.RO

原文アブストラクト

Reinforcement learning (RL) controllers have made impressive progress in humanoid locomotion and light-weight object manipulation. However, achieving robust and precise motion control with intense force interaction remains a significant challenge. To address these limitations, this paper proposes HAFO, a dual-agent reinforcement learning framework that concurrently optimizes both a robust locomotion strategy and a precise upper-body manipulation strategy via coupled training. We employ a constrained residual action space to improve dual-agent training stability and sample efficiency. The external tension disturbances are explicitly modeled using a spring-damper system, allowing for fine-grained force control through manipulation of the virtual spring. In this process, the reinforcement learning policy autonomously generates a disturbance-rejection response by utilizing environmental feedback. The experimental results demonstrate that HAFO achieves whole-body control for humanoid robots across diverse force-interaction environments using a single dual-agent policy, delivering outstanding performance under load-bearing and thrust-disturbance conditions, while maintaining stable operation even under rope suspension state.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  3. 3GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI