論文の概要: Multi-Embodiment Locomotion at Scale with extreme Embodiment Randomization

• arxiv url: http://arxiv.org/abs/2509.02815v1
• Date: Tue, 02 Sep 2025 20:32:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 21:40:46.333853
• Title: Multi-Embodiment Locomotion at Scale with extreme Embodiment Randomization
• Title（参考訳）: 極端身体ランダム化を伴うスケールでの多身体移動
• Authors: Nico Bohlinger, Jan Peters,
• Abstract要約: 我々は、50個の脚ロボットの多様なコレクションに基づいて訓練された、単一の一般的なロコモーションポリシーを提示する。 改善された実施意識アーキテクチャ(URMAv2)と極端な身体ランダム化のためのパフォーマンスベースのカリキュラムを組み合わせることで、我々の政策は何百万もの形態的変動を制御することを学ぶ。
• 参考スコア（独自算出の注目度）: 16.640420524594443
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a single, general locomotion policy trained on a diverse collection of 50 legged robots. By combining an improved embodiment-aware architecture (URMAv2) with a performance-based curriculum for extreme Embodiment Randomization, our policy learns to control millions of morphological variations. Our policy achieves zero-shot transfer to unseen real-world humanoid and quadruped robots.
• Abstract（参考訳）: 我々は、50個の脚ロボットの多様なコレクションに基づいて訓練された、単一の一般的なロコモーションポリシーを提示する。 改善された実施意識アーキテクチャ(URMAv2)と極端な身体ランダム化のためのパフォーマンスベースのカリキュラムを組み合わせることで、我々の政策は何百万もの形態的変動を制御することを学ぶ。 我々の方針は、目に見えない現実世界のヒューマノイドと四足歩行ロボットへのゼロショット転送を実現する。

関連論文リスト

• Towards Embodiment Scaling Laws in Robot Locomotion [33.13851164282621]
  クロス・エボディメントの一般化は、あらゆるロボットに汎用的なエンボディエージェントを構築するというビジョンを支えている。 本研究では, トレーニング実施数の増大により, 目に見えないものへの一般化が促進されるという仮説を考察する。 我々は, 位相的, 幾何学的, 関節的変動を伴う1,000のエボディメントを手続き的に生成し, ランダムな部分集合に関する政策を訓練する。
  論文  参考訳（メタデータ） (2025-05-09T03:25:43Z)
• The One RING: a Robotic Indoor Navigation Generalist [58.30694487843546]
  RING (Robotic Indoor Navigation Generalist) は、あらゆる移動ロボットを効果的な屋内セマンティックナビゲータに変えるための具体的方針である。 完全にシミュレーションで訓練されたRingは、ロボットによる大規模なランダム化を利用して、多くの現実世界のプラットフォームに堅牢な一般化を可能にする。
  論文  参考訳（メタデータ） (2024-12-18T23:15:41Z)
• One Policy to Run Them All: an End-to-end Learning Approach to Multi-Embodiment Locomotion [18.556470359899855]
  統一ロボット形態学アーキテクチャであるURMAを紹介する。 我々のフレームワークは、脚のあるロボットの領域にエンドツーエンドのマルチタスク強化学習アプローチをもたらす。 URMAはロボットプラットフォームに容易に移動可能な複数の実施形態の移動ポリシーを学習できることを示す。
  論文  参考訳（メタデータ） (2024-09-10T09:44:15Z)
• Scaling Cross-Embodied Learning: One Policy for Manipulation, Navigation, Locomotion and Aviation [49.03165169369552]
  さまざまな種類のロボットにまたがって単一のポリシーを訓練することによって、ロボット学習はより広範囲で多様なデータセットを活用することができる。 そこで我々はCrossFormerを提案する。CrossFormerはスケーラブルでフレキシブルなトランスフォーマーベースのポリシーで、どんな実施形態からでもデータを消費できる。 我々は、同じネットワークウェイトがシングルアームとデュアルアームの操作システム、車輪付きロボット、クワッドコプター、四足歩行など、非常に異なるロボットを制御できることを実証した。
  論文  参考訳（メタデータ） (2024-08-21T17:57:51Z)
• Adapt On-the-Go: Behavior Modulation for Single-Life Robot Deployment [88.06408322210025]
  展開中のシナリオにオンザフライで適応する問題について検討する。 ROAM(RObust Autonomous Modulation)は,事前学習した行動の知覚値に基づくメカニズムを提案する。 ROAMによりロボットはシミュレーションと実Go1の四足歩行の両方の動的変化に迅速に適応できることを示す。
  論文  参考訳（メタデータ） (2023-11-02T08:22:28Z)
• REvolveR: Continuous Evolutionary Models for Robot-to-robot Policy Transfer [57.045140028275036]
  本研究では,運動学や形態学など,異なるパラメータを持つ2つの異なるロボット間でポリシーを伝達する問題を考察する。 模倣学習手法を含む動作や状態遷移の分布を一致させることで、新しいポリシーを訓練する既存のアプローチは、最適な動作や/または状態分布が異なるロボットでミスマッチしているために失敗する。 本稿では,物理シミュレータに実装されたロボット政策伝達に連続的進化モデルを用いることで,$RevolveR$という新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-02-10T18:50:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。