日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

週刊ニュースレター購読
ロコマニピュレーションarXiv:2609.25363

HOTICE: 混雑環境における全身ヒューマノイド物体搬送

HOTICE: Whole-Body Humanoid Object Transportation in Cluttered Environments

シェア:XThreadsFacebookLINEはてブBluesky

混雑環境で物体を運ぶため、ロボットと荷物の衝突回避を統合したポテンシャル場と、上下半身を分離しつつ全身協調を保つ二重エージェント強化学習、専門家から一般化への蒸留を組み合わせた全身ロコマニピュレーション学習フレームワーク。

詳しい要約

1. どんなもの？

- 人間中心の実環境で活動する humanoid robot の物体輸送能力を扱う研究。 - ロボットと運搬物の周囲の自由空間が clutter で制約される状況に焦点。 - HOTICE という whole-body humanoid learning framework を提案。 - 物体輸送を clutter 環境で実現することを目的とする。

2. 先行研究と比べてどこがすごい？

- 既存手法は robot と payload の両方の周囲が clutter で制約されると苦戦する。 - HOTICE は robot と運搬物の両方に対する衝突回避誘導を jointly に符号化。 - whole-body loco-manipulation の大きな action space に対し dual-agent RL で対処。 - specialist-to-generalist distillation により多様な clutter scene へ汎化する policy を学習。

3. 技術・手法の肝は？

- Humanoid-Object Decoupled Potential Fields を導入。 - robot と carried object の衝突回避誘導を jointly に符号化。 - 両者の coordinated かつ obstacle-aware な運動を可能にする。 - dual-agent reinforcement learning architecture を設計。 - upper-body と lower-body の制御を decouple。 - shared state observations と rewards で whole-body coordination を保持。 - specialist-to-generalist distillation strategy を採用。 - privileged teacher policies を単一の deployable student policy へ distill。

4. どうやって有効だと検証した？

- MuJoCo simulation で評価。 - 実機 Unitree G1 humanoid で評価。 - 様々な形状の物体について clutter scenario での物体輸送を検証。 - 結果として whole-body motion と object-aware collision avoidance を安定的に coordinated。 - 未見の clutter 環境への汎化と sim2real deployment での強い性能を確認。

5. 議論はある？

- 要旨からは不明。 - 限界や失敗事例、計算コスト、安全性に関する議論は要旨に記載なし。

6. 次に読むべき論文は？

- 要旨で参照・比較されている個別研究は明示されていない。 - 関連手法として whole-body loco-manipulation、dual-agent reinforcement learning、specialist-to-generalist distillation、Humanoid-Object Decoupled Potential Fields が挙げられる。 - 同分野の定番として humanoid loco-manipulation や sim2real transfer に関する研究を読むとよい。

※ 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: Toan Nguyen, Weiduo Yuan, Siheng Zhao, Yue Wang, Daniel Seita

分類: cs.RO

原文アブストラクト

Object transportation is a fundamental capability for humanoid robots operating in real-world, human-centric environments, yet existing methods struggle when clutter constrains free space around both the robot and its carried payload. We present HOTICE, a whole-body humanoid learning framework for transporting objects through such cluttered environments. First, we introduce Humanoid-Object Decoupled Potential Fields, which jointly encode collision-avoidance guidance for the robot and the carried object, enabling coordinated, obstacle-aware motion for both. Second, to address the large action space inherent to whole-body loco-manipulation, we design a dual-agent reinforcement learning architecture that decouples upper- and lower-body control while preserving whole-body coordination via shared state observations and rewards. To train a policy that generalizes across diverse cluttered scenes, we further employ a specialist-to-generalist distillation strategy, in which privileged teacher policies are distilled into a single deployable student policy. We evaluate HOTICE in MuJoCo simulation and on a real Unitree G1 humanoid, demonstrating effective and robust object transportation across cluttered scenarios for objects of varying shapes. Our results show that HOTICE reliably coordinates whole-body motion and object-aware collision avoidance, generalizing effectively to previously unseen cluttered environments while achieving strong performance in sim2real deployment.

arXivで原文を読む →arXiv概要ページ

関連論文

← 論文一覧
PR本紙発行元 EmplifAI