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:2606.25123

RGB: RL誘導による全身MPPIヒューマノイド制御

RGB: RL Guided Whole-Body MPPI for Humanoid Control

シェア:XThreadsFacebookLINEはてブBluesky

事前学習済みの強化学習ポリシーをサンプリング事前分布として使い、MPPIのコストでタスク目的を指定する全身制御フレームワークを提案。再学習なしでタスク精度を向上させる。

詳しい要約

1. どんなもの?

- どんなもの? - 人型ロボットの全身制御のための、RL guided whole-body MPPI フレームワーク。 - 事前学習済みの RL ポリシーをサンプリング事前分布として利用し、MPPI がオンラインで補正する。 - 接触の多い環境での堅牢性と精度を両立することを目指す。 - 29-DoF の Unitree G1 人型ロボットの MuJoCo シミュレーションで検証。

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? - 従来の RL は訓練目的とコマンドインタフェースに強く結合し、再訓練なしに新たなフィードバック目的を追加するのが困難。 - 提案手法は RL ポリシーを最終コントローラとして使わず、MPPI のサンプリング事前分布として利用。 - モジュール式の MPPI コスト項でタスク目的を指定でき、再訓練なしにオンラインで目的を追加・変更可能。 - 同じコマンドインタフェース下で、純粋な RL ベースラインよりもタスクレベルの精度が向上。

3. 技術・手法の肝は?

- 技術や手法の肝はどこ? - 事前学習済み RL ポリシーを MPPI のサンプリング事前分布として使用し、動的に実行可能な行動にバイアスをかける。 - MPPI はモジュール式のコスト項で指定されたタスク目的を満たすように、RL 事前分布をオンラインで継続的に補正。 - これにより、RL ポリシーの再訓練なしに新たな全身参照信号の追従や系統的ドリフトの補正が可能。 - 高レート制御(平均 280 Hz)を実現。

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? - MuJoCo 上の 29-DoF Unitree G1 人型ロボットのシミュレーションで評価。 - 安定した高レート制御(平均 280 Hz)を実証。 - 同じコマンドインタフェース下で、純粋な RL ベースラインと比較してタスクレベルの精度が向上。 - 直進歩行時の系統的ドリフトの補正と、コストで課された追加の全身参照信号の追従によって達成。

5. 議論はある?

- 議論はある? - 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? - 要旨で参照/比較されている研究は明示されていない。 - 関連手法として、Model Predictive Path Integral (MPPI) 制御、深層強化学習 (Deep RL) を用いた人型ロボット制御、全身制御 (Whole-Body Control) の論文が挙げられる。

※ 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: Yunsoo Seo, Sol Choi, Euncheol Im, Myo Taeg Lim, Yisoo Lee

分類: cs.RO

原文アブストラクト

Humanoid robots require whole-body controllers that are both robust and precise in contact-rich environments. While deep reinforcement learning (RL) achieves robust stability, its behavior is tightly coupled to the training objective and command interface, making it difficult to add new feedback objectives without retraining. In this study, we propose an RL guided whole-body model predictive path integral (MPPI) framework that acts as an add-on feedback controller on top of a pretrained RL policy. Instead of using RL policy as the final controller, we use it as a sampling prior that biases MPPI rollouts toward dynamically feasible behaviors. Task objectives are specified through modular MPPI cost terms, and MPPI closes the loop by continuously correcting the RL prior online to satisfy these objectives without retraining the policy. Simulations on a 29-DoF Unitree G1 humanoid in MuJoCo demonstrate stable high-rate control (average 280~Hz). The proposed method improves task-level precision over a pure RL baseline under the same command interface. This is achieved by correcting systematic drift during straight walking and tracking additional whole-body reference signals imposed through the cost.

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

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI