Steering Your Generalists: Improving Robotic Foundation Models via Value Guidance

投稿日: 2025年2月26日 作成者: jarxiv

要約

多様なデモンストレーションデータセットで訓練された大規模な汎用ロボットポリシーは、さまざまなシーンのさまざまなロボットを制御することと、操作スキルの幅広いレパートリーを獲得するために、非常に効果的であることが示されています。
ただし、そのようなポリシーがトレーニングされているデータは一般に混合品質です。タスクを完全に実行する可能性は低いだけでなく、データセットが大きいほど、最高品質の例のみをキュレートすることが難しくなります。
また、ある実施形態からの最適なデータが、別の実施形態でトレーニングするための最適なデータがいかに不明であるかは不明のままです。
このホワイトペーパーでは、オフラインRLを介して学習した値関数に従ってアクションを再ランクすることにより、展開時間にそのようなジェネラリストロボットポリシーのパフォーマンスを強化する一般的かつ広く適用可能なアプローチを提示します。
このアプローチは、バリューガイド付きポリシーステアリング（V-GPS）と呼ばれ、ポリシーの重みに微調整したりアクセスすることさえすることなく、幅広い異なるジェネラリストポリシーと互換性があります。
同じ値関数は、異なるデータセットでトレーニングされていても、異なるアーキテクチャを備えた5つの異なる最先端のポリシーのパフォーマンスを改善できることを示しています。
コードとビデオは、https：//nakamotoo.github.io/v-gpsにあります

要約(オリジナル)

Large, general-purpose robotic policies trained on diverse demonstration datasets have been shown to be remarkably effective both for controlling a variety of robots in a range of different scenes, and for acquiring broad repertoires of manipulation skills. However, the data that such policies are trained on is generally of mixed quality — not only are human-collected demonstrations unlikely to perform the task perfectly, but the larger the dataset is, the harder it is to curate only the highest quality examples. It also remains unclear how optimal data from one embodiment is for training on another embodiment. In this paper, we present a general and broadly applicable approach that enhances the performance of such generalist robot policies at deployment time by re-ranking their actions according to a value function learned via offline RL. This approach, which we call Value-Guided Policy Steering (V-GPS), is compatible with a wide range of different generalist policies, without needing to fine-tune or even access the weights of the policy. We show that the same value function can improve the performance of five different state-of-the-art policies with different architectures, even though they were trained on distinct datasets, attaining consistent performance improvement on multiple robotic platforms across a total of 12 tasks. Code and videos can be found at: https://nakamotoo.github.io/V-GPS

arxiv情報

著者 Mitsuhiko Nakamoto,Oier Mees,Aviral Kumar,Sergey Levine
発行日 2025-02-24 21:05:58+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, cs.RO | Steering Your Generalists: Improving Robotic Foundation Models via Value Guidance はコメントを受け付けていません

The Geometry of Optimal Gait Families for Steering Kinematic Locomoting Systems

投稿日: 2025年2月26日 作成者: jarxiv

要約

機動システムのモーション計画には通常、高レベルの剛体タスクを低レベルの関節軌道に変換する必要があります。これは、固定された無制限の作動入力を備えた車のようなロボットにとって簡単ですが、スネークロボットなどのシステムではより困難なプロセスです。
現在の構成に依存し、共同限界によって制約されます。
このホワイトペーパーでは、ステップサイズまたはステアリングレートによってパラメーター化された歩行の最適な歩行収集の連続ファミリーを生成することに焦点を当て、制御可能性と操縦性を向上させます。
これらの最適な歩行ファミリの根本的な幾何学的構造を明らかにし、ローカル方法とグローバルな方法が互いに補償するグローバルおよびローカル検索戦略の両方を使用してそれらを構築する方法を提案します。
グローバル検索アプローチは、低い順序のソリューションを生成しますが、滑らかな動作に対して堅牢ですが、ローカル検索はより高い精度を提供しますが、滑らかな地域の近くでは不安定になる可能性があります。
私たちのフレームワークを実証するために、粘性と完璧なフルイドのスリーリンクスイマーのための最適な歩行ファミリを生成します。
この作業は、低レベルのジョイントコントローラーを複雑な移動システムの高レベルモーションプランナーと統合するための基盤を築きます。

要約(オリジナル)

Motion planning for locomotion systems typically requires translating high-level rigid-body tasks into low-level joint trajectories-a process that is straightforward for car-like robots with fixed, unbounded actuation inputs but more challenging for systems like snake robots, where the mapping depends on the current configuration and is constrained by joint limits. In this paper, we focus on generating continuous families of optimal gaits-collections of gaits parameterized by step size or steering rate-to enhance controllability and maneuverability. We uncover the underlying geometric structure of these optimal gait families and propose methods for constructing them using both global and local search strategies, where the local method and the global method compensate each other. The global search approach is robust to nonsmooth behavior, albeit yielding reduced-order solutions, while the local search provides higher accuracy but can be unstable near nonsmooth regions. To demonstrate our framework, we generate optimal gait families for viscous and perfect-fluid three-link swimmers. This work lays a foundation for integrating low-level joint controllers with higher-level motion planners in complex locomotion systems.

arxiv情報

著者 Jinwoo Choi,Siming Deng,Nathan Justus,Noah J. Cowan,Ross L. Hatton
発行日 2025-02-24 21:38:38+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO, math.OC | The Geometry of Optimal Gait Families for Steering Kinematic Locomoting Systems はコメントを受け付けていません

A Survey of Sim-to-Real Methods in RL: Progress, Prospects and Challenges with Foundation Models

投稿日: 2025年2月26日 作成者: jarxiv

要約

ディープ強化学習（RL）は、ロボット工学、輸送、推奨システムなど、さまざまなドメインでの意思決定タスクの解決に効果的であることが調査および検証されています。環境との相互作用から学習し、収集されたエクスペリエンスを使用してポリシーを更新します
。
ただし、実世界のデータが限られているため、有害な行動をとることの耐え難い結果により、RLポリシーの学習は主にシミュレータ内で制限されています。
この実践は、学習の安全性を保証しますが、展開の観点から避けられないSIMとリアルのギャップを導入し、パフォーマンスの低下と実行のリスクを引き起こします。
さまざまなテクニックを備えたさまざまなドメインからのSIM-to-Realの問題を解決しようとする試みがあります。特に、SIMからリアルに光を当てる大きな基礎や言語モデルなどの新たなテクニックを備えた時代にあります。
この調査論文は、私たちの知る限り、マルコフ決定プロセス（州、行動、移行、報酬）の重要な要素からのSIMからリアルの技術を正式に組み立てる最初の分類法です。
フレームワークに基づいて、Foundation Modelsが力を与えられるSIMからリアルのテクニックなど、クラシックから最も高度な方法までの包括的な文献を取り上げ、SIM-to-Realの問題の異なるドメインで注意する価値のある専門分野についても説明します。
。
次に、アクセス可能なコードまたはベンチマークを使用して、SIM-to-Realパフォーマンスの正式な評価プロセスを要約します。
この方向の将来の探求を促進するために、課題と機会も提示されています。
私たちは、ドメインの研究者を支援するために、最も最新のSIMから現実的な研究作業を含めるようにリポジトリを積極的に維持しています。

要約(オリジナル)

Deep Reinforcement Learning (RL) has been explored and verified to be effective in solving decision-making tasks in various domains, such as robotics, transportation, recommender systems, etc. It learns from the interaction with environments and updates the policy using the collected experience. However, due to the limited real-world data and unbearable consequences of taking detrimental actions, the learning of RL policy is mainly restricted within the simulators. This practice guarantees safety in learning but introduces an inevitable sim-to-real gap in terms of deployment, thus causing degraded performance and risks in execution. There are attempts to solve the sim-to-real problems from different domains with various techniques, especially in the era with emerging techniques such as large foundations or language models that have cast light on the sim-to-real. This survey paper, to the best of our knowledge, is the first taxonomy that formally frames the sim-to-real techniques from key elements of the Markov Decision Process (State, Action, Transition, and Reward). Based on the framework, we cover comprehensive literature from the classic to the most advanced methods including the sim-to-real techniques empowered by foundation models, and we also discuss the specialties that are worth attention in different domains of sim-to-real problems. Then we summarize the formal evaluation process of sim-to-real performance with accessible code or benchmarks. The challenges and opportunities are also presented to encourage future exploration of this direction. We are actively maintaining a repository to include the most up-to-date sim-to-real research work to help domain researchers.

arxiv情報

著者 Longchao Da,Justin Turnau,Thirulogasankar Pranav Kutralingam,Alvaro Velasquez,Paulo Shakarian,Hua Wei
発行日 2025-02-25 00:25:54+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: 68T05, 68U05, cs.AI, cs.LG, cs.RO, I.2.1 | A Survey of Sim-to-Real Methods in RL: Progress, Prospects and Challenges with Foundation Models はコメントを受け付けていません

Toward 6-DOF Autonomous Underwater Vehicle Energy-Aware Position Control based on Deep Reinforcement Learning: Preliminary Results

投稿日: 2025年2月26日 作成者: jarxiv

要約

未開の未開発の水中地域の調査、マッピング、検査のための自律的な水中車両（AUV）の使用は、操縦性と電力効率がこれらのプラットフォームの使用を拡張するための重要な要素であり、6つの自由度（6-dof）を拡大する重要な役割を果たします。
ホロノミックプラットフォームの必須ツール。
これらのアプリケーションでは、比例積分誘導体（PID）およびモデル予測制御コントローラーが広く使用されていますが、しばしば正確なシステム知識を必要とし、ペイロードまたは構成の変更に直面したときに再現性と闘い、微調整に時間をかけることができます。
ディープ補強学習（DRL）に基づくより高度な方法が提案されていますが、通常、自由度の少ない程度で動作することに限定されています。
このペーパーでは、切り捨てられた分位批評家（TQC）アルゴリズムを使用してホロノミクス6-DOF AUVを制御するための新しいDRLベースのアプローチを提案します。これは、手動チューニングを必要とせず、構成の事前知識なしにスラスタにコマンドを直接供給します。
さらに、消費電力が報酬関数に直接組み込まれます。
シミュレーション結果は、TQC高性能法がゴールポイントに到達するときに微調整されたPIDコントローラーにより良いパフォーマンスを達成することを示していますが、TQCエネルギー認識方法はわずかに低いパフォーマンスを示しますが、平均で30％少ないパワーを消費します。

要約(オリジナル)

The use of autonomous underwater vehicles (AUVs) for surveying, mapping, and inspecting unexplored underwater areas plays a crucial role, where maneuverability and power efficiency are key factors for extending the use of these platforms, making six degrees of freedom (6-DOF) holonomic platforms essential tools. Although Proportional-Integral-Derivative (PID) and Model Predictive Control controllers are widely used in these applications, they often require accurate system knowledge, struggle with repeatability when facing payload or configuration changes, and can be time-consuming to fine-tune. While more advanced methods based on Deep Reinforcement Learning (DRL) have been proposed, they are typically limited to operating in fewer degrees of freedom. This paper proposes a novel DRL-based approach for controlling holonomic 6-DOF AUVs using the Truncated Quantile Critics (TQC) algorithm, which does not require manual tuning and directly feeds commands to the thrusters without prior knowledge of their configuration. Furthermore, it incorporates power consumption directly into the reward function. Simulation results show that the TQC High-Performance method achieves better performance to a fine-tuned PID controller when reaching a goal point, while the TQC Energy-Aware method demonstrates slightly lower performance but consumes 30% less power on average.

arxiv情報

著者 Gustavo Boré,Vicente Sufán,Sebastián Rodríguez-Martínez,Giancarlo Troni
発行日 2025-02-25 00:37:57+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, cs.RO, cs.SY, eess.SY | Toward 6-DOF Autonomous Underwater Vehicle Energy-Aware Position Control based on Deep Reinforcement Learning: Preliminary Results はコメントを受け付けていません

Design of a Breakaway Utensil Attachment for Enhanced Safety in Robot-Assisted Feeding

投稿日: 2025年2月26日 作成者: jarxiv

要約

ロボット支援給餌システムは、運動障害のある個人の独立性を高め、介護者の負担を軽減します。
既存のシステムは主にソフトウェアベースの安全機能に依存して、予期せぬ衝突中のリスクを軽減しますが、この研究では、安全性を向上させる機械的フェールセーフの使用を探ります。
私たちは、過度の力が発生したときにユーザーにロボットによって発揮される力を切り離す力を切り離すブレイクアウェイの調理器具アタッチメントを設計しました。
有限要素分析（FEA）シミュレーションを実行して、さまざまな荷重条件下で障害点を予測し、その後、スロット深度と壁ループのバリエーションを備えた3Dプリントアタッチメントを使用した実験的検証が続きました。
テストを容易にするために、ドロップテストリグが開発され、検証されました。
我々の結果は、アタッチメントのスロットに一貫した故障点を示しました。スロット深さは1 mmと3つの壁ループが65 Nのターゲット力で故障を達成しました。
– 快適さや疼痛耐性などの特異的要因。
CADファイルと調理器具アセンブリの指示は、https：//tinyurl.com/rfa-utensil- atchachmentにあります。

要約(オリジナル)

Robot-assisted feeding systems enhance the independence of individuals with motor impairments and alleviate caregiver burden. While existing systems predominantly rely on software-based safety features to mitigate risks during unforeseen collisions, this study explores the use of a mechanical fail-safe to improve safety. We designed a breakaway utensil attachment that decouples forces exerted by the robot on the user when excessive forces occur. Finite element analysis (FEA) simulations were performed to predict failure points under various loading conditions, followed by experimental validation using 3D-printed attachments with variations in slot depth and wall loops. To facilitate testing, a drop test rig was developed and validated. Our results demonstrated a consistent failure point at the slot of the attachment, with a slot depth of 1 mm and three wall loops achieving failure at the target force of 65 N. Additionally, the parameters can be tailored to customize the breakaway force based on user-specific factors, such as comfort and pain tolerance. CAD files and utensil assembly instructions can be found here: https://tinyurl.com/rfa-utensil-attachment

arxiv情報

著者 Hau Wen Chang,J-Anne Yow,Lek Syn Lim,Wei Tech Ang
発行日 2025-02-25 02:09:32+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO | Design of a Breakaway Utensil Attachment for Enhanced Safety in Robot-Assisted Feeding はコメントを受け付けていません

Safe Multi-Agent Navigation guided by Goal-Conditioned Safe Reinforcement Learning

投稿日: 2025年2月26日 作成者: jarxiv

要約

安全なナビゲーションは、危険な環境で動作する自律システムに不可欠です。
従来の計画方法は、長老のタスクで優れていますが、固定距離メトリックを備えた事前定義されたグラフに依存しています。
対照的に、安全な補強学習（RL）は、手動ヒューリスティックに頼ることなく複雑な行動を学ぶことができますが、特に目標を条件付けしたマルチエージェントシナリオでは、長期のタスクを解決できません。
この論文では、計画と安全なRLの両方の強度を統合する新しい方法を紹介します。
私たちの方法は、ゴールコンディショニングRLと安全なRLを活用して、自動化された自己トレーニングアルゴリズムを介して学習バリュー関数を使用して累積距離と安全レベルを同時に推定しなが​​ら、ナビゲーションのためのゴールコンディショニングポリシーを学習します。
リプレイバッファーから状態を備えたグラフを構築することにより、メソッドは安全でないエッジを剪定し、エージェントが目標を達成するまで追跡するウェイポイントベースの計画を生成し、拡張距離でより速く、より安全なルートのバランスをとります。
この統合された高レベルのグラフと共有された低レベルの目標条件付けされた安全なRLポリシーを利用して、このアプローチを拡張して、マルチエージェントの安全なナビゲーション問題に対処します。
特に、競合ベースの検索（CBS）を活用して、複数のエージェント向けのウェイポイントベースの計画を作成し、拡張視野で安全なナビゲーションを可能にします。
この統合により、マルチエージェントシナリオでの目標調整された安全なRLのスケーラビリティが向上し、エージェント間の効率的な調整が可能になります。
最先端のベースラインに対する広範なベンチマークは、複雑で危険な環境で複数のエージェントの距離目標を安全に達成する際の方法の有効性を示しています。
私たちのコードは、将来の研究をサポートするためにリリースされます。

要約(オリジナル)

Safe navigation is essential for autonomous systems operating in hazardous environments. Traditional planning methods excel at long-horizon tasks but rely on a predefined graph with fixed distance metrics. In contrast, safe Reinforcement Learning (RL) can learn complex behaviors without relying on manual heuristics but fails to solve long-horizon tasks, particularly in goal-conditioned and multi-agent scenarios. In this paper, we introduce a novel method that integrates the strengths of both planning and safe RL. Our method leverages goal-conditioned RL and safe RL to learn a goal-conditioned policy for navigation while concurrently estimating cumulative distance and safety levels using learned value functions via an automated self-training algorithm. By constructing a graph with states from the replay buffer, our method prunes unsafe edges and generates a waypoint-based plan that the agent follows until reaching its goal, effectively balancing faster and safer routes over extended distances. Utilizing this unified high-level graph and a shared low-level goal-conditioned safe RL policy, we extend this approach to address the multi-agent safe navigation problem. In particular, we leverage Conflict-Based Search (CBS) to create waypoint-based plans for multiple agents allowing for their safe navigation over extended horizons. This integration enhances the scalability of goal-conditioned safe RL in multi-agent scenarios, enabling efficient coordination among agents. Extensive benchmarking against state-of-the-art baselines demonstrates the effectiveness of our method in achieving distance goals safely for multiple agents in complex and hazardous environments. Our code will be released to support future research.

arxiv情報

著者 Meng Feng,Viraj Parimi,Brian Williams
発行日 2025-02-25 03:38:52+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, cs.RO | Safe Multi-Agent Navigation guided by Goal-Conditioned Safe Reinforcement Learning はコメントを受け付けていません

CAML: Collaborative Auxiliary Modality Learning for Multi-Agent Systems

投稿日: 2025年2月26日 作成者: jarxiv

要約

マルチモダリティ学習は、自律運転、ロボット工学、知覚システムなどのドメイン全体で機械学習アプリケーションのパフォーマンスを改善するための重要な手法となっています。
補助モダリティ学習（AML）などの既存のフレームワークは、トレーニング中に複数のデータソースを効果的に利用し、モダリティを減らして推論を可能にしますが、それらは主に単一エージェントのコンテキストで動作します。
この制限は、接続された自動運転車（CAV）などの動的環境で特に重要です。ここでは、不完全なデータカバレッジが意思決定の盲点につながる可能性があります。
これらの課題に対処するために、共同補助モダリティ学習（$ \ textBf {caml} $）を提案します。これは、エージェントがトレーニング中にマルチモーダルデータを協力して共有できるようにしながら、エージェントあたりのエージェントあたりのモダリティの減少を可能にしながら、エージェントがトレーニング中にマルチモーダルデータを協力して共有できるようにすることを提案します。
テスト。
不確実性の削減とデータカバレッジの観点から、$ \ textBf {caml} $の有効性を体系的に分析し、AMLに対する利点に対する理論的洞察を提供します。
事故が発生しやすいシナリオでのCAVの共同意思決定における実験結果は、\ ours〜が事故検出の$ {\ bf 58.13} \％$の改善を達成することを示しています。
さらに、コラボレーションセマンティックセグメンテーションのために、実際の空中ロボットデータの$ \ textBf {caml} $を検証し、MIOUで最大{\ bf 10.61} \％$の改善を達成します。

要約(オリジナル)

Multi-modality learning has become a crucial technique for improving the performance of machine learning applications across domains such as autonomous driving, robotics, and perception systems. While existing frameworks such as Auxiliary Modality Learning (AML) effectively utilize multiple data sources during training and enable inference with reduced modalities, they primarily operate in a single-agent context. This limitation is particularly critical in dynamic environments, such as connected autonomous vehicles (CAV), where incomplete data coverage can lead to decision-making blind spots. To address these challenges, we propose Collaborative Auxiliary Modality Learning ($\textbf{CAML}$), a novel multi-agent multi-modality framework that enables agents to collaborate and share multimodal data during training while allowing inference with reduced modalities per agent during testing. We systematically analyze the effectiveness of $\textbf{CAML}$ from the perspective of uncertainty reduction and data coverage, providing theoretical insights into its advantages over AML. Experimental results in collaborative decision-making for CAV in accident-prone scenarios demonstrate that \ours~achieves up to a ${\bf 58.13}\%$ improvement in accident detection. Additionally, we validate $\textbf{CAML}$ on real-world aerial-ground robot data for collaborative semantic segmentation, achieving up to a ${\bf 10.61}\%$ improvement in mIoU.

arxiv情報

著者 Rui Liu,Yu Shen,Peng Gao,Pratap Tokekar,Ming Lin
発行日 2025-02-25 03:59:40+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.LG, cs.RO | CAML: Collaborative Auxiliary Modality Learning for Multi-Agent Systems はコメントを受け付けていません

Planning for quasi-static manipulation tasks via an intrinsic haptic metric

投稿日: 2025年2月26日 作成者: jarxiv

要約

連絡先の操作には、特定のタスクを達成するためにプッシュするなど、オブジェクトとの戦略的な相互作用が必要です。
新しい本を所定の位置に入れる前に、近隣の本を脇に​​押し出してスペースを作成することにより、ロボットが混雑した棚に本を挿入する新しいシナリオを提案します。
このコンテキストでは、スペースが限られており、接触を避ける傾向があるため、このコンテキストでは古典的な計画アルゴリズムが失敗します。
さらに、間接的に操作可能なオブジェクトを処理したり、力の相互作用を考慮したりしません。
私たちの重要な貢献は次のとおりです。i）平衡状態から導出された暗黙のマニホールドに関する計画問題として準静的操作を再編成する。
ii）アドホックコスト関数の代わりに固有の触覚メトリックを利用する。
iii）ロボット状態、オブジェクト位置、接点、触覚距離を同時に更新する適応アルゴリズムを提案します。
このような混雑した本棚挿入タスクでの方法を評価しますが、これは剛体操作タスクの一般的な定式化です。
接触点と力をキャプチャするプロキシを提案し、スーパーリップスはオブジェクトを表します。
この単純化されたモデルは、違いを保証します。
私たちのフレームワークは、戦略的なウェッジインポリシーを自律的に発見し、単純化された連絡先モデルは実際のシナリオと同様の動作を達成します。
また、フレームワークを包括的に分析するために、剛性と初期位置を変化させます。
ビデオはhttps://youtu.be/eab8umz3aq0にあります。

要約(オリジナル)

Contact-rich manipulation often requires strategic interactions with objects, such as pushing to accomplish specific tasks. We propose a novel scenario where a robot inserts a book into a crowded shelf by pushing aside neighboring books to create space before slotting the new book into place. Classical planning algorithms fail in this context due to limited space and their tendency to avoid contact. Additionally, they do not handle indirectly manipulable objects or consider force interactions. Our key contributions are: i) re-framing quasi-static manipulation as a planning problem on an implicit manifold derived from equilibrium conditions; ii) utilizing an intrinsic haptic metric instead of ad-hoc cost functions; and iii) proposing an adaptive algorithm that simultaneously updates robot states, object positions, contact points, and haptic distances. We evaluate our method on such crowded bookshelf insertion task but it is a general formulation to rigid bodies manipulation tasks. We propose proxies to capture contact point and force, with superellipse to represent objects. This simplified model guarantee the differentiablity. Our framework autonomously discovers strategic wedging-in policies while our simplified contact model achieves behavior similar to real world scenarios. We also vary the stiffness and initial positions to analysis our framework comprehensively. The video can be found at https://youtu.be/eab8umZ3AQ0.

arxiv情報

著者 Lin Yang,Sri Harsha Turlapati,Chen Lv,Domenico Campolo
発行日 2025-02-25 04:09:00+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO | Planning for quasi-static manipulation tasks via an intrinsic haptic metric はコメントを受け付けていません

LiMo-Calib: On-Site Fast LiDAR-Motor Calibration for Quadruped Robot-Based Panoramic 3D Sensing System

投稿日: 2025年2月26日 作成者: jarxiv

要約

従来のシングルライダーシステムは、限られた視野（FOV）によって本質的に制約されており、特に厳格なペイロード制限を備えたロボットプラットフォームでは、盲点と不完全な環境意識につながります。
電動LIDARを統合すると、センサーのFOVを大幅に拡大し、適応性のあるパノラマ3Dセンシングを可能にすることにより、実用的なソリューションが提供されます。
ただし、四足動物の高周波振動により、キャリブレーションの課題が導入され、センシング精度を低下させるライダーモーター変換の変動が生じます。
人工ターゲットまたは密な特徴抽出を使用する既存のキャリブレーション方法には、オンサイトアプリケーションとリアルタイムの実装の実現可能性がありません。
これらの制限を克服するために、生のライダースキャンから直接幾何学的機能を活用することにより、外部ターゲットの必要性を排除する効率的なオンサイトキャリブレーション方法であるLimo-Calibを提案します。
Limo-Calibは、正規分布に基づいて収束を加速し、精度を維持しながら収束を加速し、ローカルプレーンのフィッティング品質を評価して堅牢性を高めることを組み込んでいます。
四足動物ロボットに取り付けられた電動LIDARシステムに提案された方法を統合および検証し、キャリブレーション効率と3Dセンシング精度の大幅な改善を実証し、リムジンカリブを実際のロボットアプリケーションに適しています。
さらに、校正パラメーターを使用して、パノラマ3DセンシングシステムのLIOの精度の改善を実証します。
コードは、https：//github.com/kafeiyin00/limo-calibで入手できます。

要約(オリジナル)

Conventional single LiDAR systems are inherently constrained by their limited field of view (FoV), leading to blind spots and incomplete environmental awareness, particularly on robotic platforms with strict payload limitations. Integrating a motorized LiDAR offers a practical solution by significantly expanding the sensor’s FoV and enabling adaptive panoramic 3D sensing. However, the high-frequency vibrations of the quadruped robot introduce calibration challenges, causing variations in the LiDAR-motor transformation that degrade sensing accuracy. Existing calibration methods that use artificial targets or dense feature extraction lack feasibility for on-site applications and real-time implementation. To overcome these limitations, we propose LiMo-Calib, an efficient on-site calibration method that eliminates the need for external targets by leveraging geometric features directly from raw LiDAR scans. LiMo-Calib optimizes feature selection based on normal distribution to accelerate convergence while maintaining accuracy and incorporates a reweighting mechanism that evaluates local plane fitting quality to enhance robustness. We integrate and validate the proposed method on a motorized LiDAR system mounted on a quadruped robot, demonstrating significant improvements in calibration efficiency and 3D sensing accuracy, making LiMo-Calib well-suited for real-world robotic applications. We further demonstrate the accuracy improvements of the LIO on the panoramic 3D sensing system using the calibrated parameters. The code will be available at: https://github.com/kafeiyin00/LiMo-Calib.

arxiv情報

著者 Jianping Li,Zhongyuan Liu,Xinhang Xu,Jinxin Liu,Shenghai Yuan,Fang Xu,Lihua Xie
発行日 2025-02-25 04:27:36+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO | LiMo-Calib: On-Site Fast LiDAR-Motor Calibration for Quadruped Robot-Based Panoramic 3D Sensing System はコメントを受け付けていません

Impact of Object Weight in Handovers: Inspiring Robotic Grip Release and Motion from Human Handovers

投稿日: 2025年2月26日 作成者: jarxiv

要約

この作業では、ロボットと人間の相互作用の自然性、安全性、効率性を高めるために、携帯電話中の人間の動きとグリップリリースに対するオブジェクト重量の効果を探ります。
さまざまなオブジェクトの重みを使用した人間のハンドオーバー行動の分析に基づいて、適応ロボット戦略を紹介します。
この作業の重要な貢献には、ロボット向けの適応型グリップリリース戦略の開発、オブジェクトの重みがロボットモーションの適応を導くための人間の動きにどのように影響するかの詳細な分析、およびYCBを含むさまざまなオブジェクト重みを組み込むハンドオーバーデイタセットの作成が含まれます。
ハンドオーバーデータセット。
ロボットグリップのリリースと人間の行動と動きを調整することにより、この作業は、さまざまな加重オブジェクトのロボットヒューマンハンドオーバーを改善することを目的としています。
また、これらの人間に触発された適応ロボット戦略をロボットから人間への手観察者に評価して、その有効性とパフォーマンスを評価し、自然性、効率性、ユーザー認識の観点からベースラインアプローチを上回ることを実証します。

要約(オリジナル)

This work explores the effect of object weight on human motion and grip release during handovers to enhance the naturalness, safety, and efficiency of robot-human interactions. We introduce adaptive robotic strategies based on the analysis of human handover behavior with varying object weights. The key contributions of this work includes the development of an adaptive grip-release strategy for robots, a detailed analysis of how object weight influences human motion to guide robotic motion adaptations, and the creation of handover-datasets incorporating various object weights, including the YCB handover dataset. By aligning robotic grip release and motion with human behavior, this work aims to improve robot-human handovers for different weighted objects. We also evaluate these human-inspired adaptive robotic strategies in robot-to-human handovers to assess their effectiveness and performance and demonstrate that they outperform the baseline approaches in terms of naturalness, efficiency, and user perception.

arxiv情報

著者 Parag Khanna,Mårten Björkman,Christian Smith
発行日 2025-02-25 04:29:11+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.HC, cs.RO | Impact of Object Weight in Handovers: Inspiring Robotic Grip Release and Motion from Human Handovers はコメントを受け付けていません