論文の概要: Learning to Walk in Costume: Adversarial Motion Priors for Aesthetically Constrained Humanoids

• arxiv url: http://arxiv.org/abs/2509.05581v1
• Date: Sat, 06 Sep 2025 03:52:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.59569
• Title: Learning to Walk in Costume: Adversarial Motion Priors for Aesthetically Constrained Humanoids
• Title（参考訳）: コスチュームにおける歩行学習 : 審美的に拘束されたヒューマノイドに対する対人運動の先駆者
• Authors: Arturo Flores Alvarez, Fatemeh Zargarbashi, Havel Liu, Shiqi Wang, Liam Edwards, Jessica Anz, Alex Xu, Fan Shi, Stelian Coros, Dennis W. Hong,
• Abstract要約: 本研究では,エンターテイメントアプリケーション用に設計された,コスモスのための強化学習に基づく移動システムを提案する。 これらの課題に対処するために、ロボットが身体的安定性を維持しながら自然的な動きを学習できるようにするために、Adversarial Motion Priors (AMP)を適用した。 実験により,宇宙の極端質量分布と運動の制約にもかかわらず,AMPは安定な立位と歩行行動を生成することが示された。
• 参考スコア（独自算出の注目度）: 25.70421839610601
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a Reinforcement Learning (RL)-based locomotion system for Cosmo, a custom-built humanoid robot designed for entertainment applications. Unlike traditional humanoids, entertainment robots present unique challenges due to aesthetic-driven design choices. Cosmo embodies these with a disproportionately large head (16% of total mass), limited sensing, and protective shells that considerably restrict movement. To address these challenges, we apply Adversarial Motion Priors (AMP) to enable the robot to learn natural-looking movements while maintaining physical stability. We develop tailored domain randomization techniques and specialized reward structures to ensure safe sim-to-real, protecting valuable hardware components during deployment. Our experiments demonstrate that AMP generates stable standing and walking behaviors despite Cosmo's extreme mass distribution and movement constraints. These results establish a promising direction for robots that balance aesthetic appeal with functional performance, suggesting that learning-based methods can effectively adapt to aesthetic-driven design constraints.
• Abstract（参考訳）: 本稿では,エンターテイメントアプリケーション用に設計された,コスモスのための強化学習(Reinforcement Learning, RL)ベースのロコモーションシステムを提案する。 従来のヒューマノイドとは異なり、エンターテイメントロボットは美的デザインの選択のためにユニークな課題を提示する。 コスモスはこれらを不均等に大きな頭部(総質量の16%)で具現化し、感知が制限され、動きをかなり制限する保護シェルを具現化している。 これらの課題に対処するために、ロボットが身体的安定性を維持しながら自然的な動きを学習できるようにするために、Adversarial Motion Priors (AMP)を適用した。 我々は、安全なsim-to-realを確保し、デプロイ中に価値のあるハードウェアコンポーネントを保護するために、ドメインのランダム化技術と特別な報酬構造を開発する。 実験により,宇宙の極端質量分布と運動の制約にもかかわらず,AMPは安定な立位と歩行行動を生成することが示された。 これらの結果は、美的魅力と機能的パフォーマンスのバランスをとるロボットにとって有望な方向を確立し、学習に基づく手法が審美的な設計制約に効果的に適応できることを示唆している。

関連論文リスト

• KungfuBot: Physics-Based Humanoid Whole-Body Control for Learning Highly-Dynamic Skills [50.34487144149439]
  そこで本研究では,Kungfuやダンスなどの人体動作を高度に制御することを目的とした,物理学に基づくヒューマノイド制御フレームワークを提案する。 動作処理では,運動の抽出,フィルタリング,修正,再ターゲティングを行うパイプラインを設計し,物理的制約の遵守を確実にする。 動作模倣では、二段階最適化問題を定式化し、追従精度の許容度を動的に調整する。 実験では,高ダイナミックな動作のセットを模倣するために全身制御ポリシーを訓練する。
  論文  参考訳（メタデータ） (2025-06-15T13:58:53Z)
• Humanoid Whole-Body Locomotion on Narrow Terrain via Dynamic Balance and Reinforcement Learning [54.26816599309778]
  動的バランスと強化学習(RL)に基づく新しい全身移動アルゴリズムを提案する。 具体的には,ZMP(Zero-Moment Point)駆動の報酬とタスク駆動の報酬を,全身のアクター批判的枠組みで拡張した尺度を活用することで,動的バランス機構を導入する。 フルサイズのUnitree H1-2ロボットによる実験により、非常に狭い地形でのバランスを維持するための手法の有効性が検証された。
  論文  参考訳（メタデータ） (2025-02-24T14:53:45Z)
• DrEureka: Language Model Guided Sim-To-Real Transfer [64.14314476811806]
  シミュレーションで学んだ政策を現実世界に伝達することは、ロボットのスキルを大規模に獲得する上で有望な戦略である。 本稿では,Large Language Models (LLMs) を用いてシム・トゥ・リアル設計の自動化と高速化を行う。 本手法では,ヨガボールの上を歩行する四足歩行や四足歩行など,新しいロボットタスクを解くことができる。
  論文  参考訳（メタデータ） (2024-06-04T04:53:05Z)
• I-CTRL: Imitation to Control Humanoid Robots Through Constrained Reinforcement Learning [8.97654258232601]
  有界残留強化学習(I-CTRL)によるヒューマノイドロボットの制御フレームワークの開発 I-CTRLは5つのロボットにまたがるシンプルでユニークな報酬で、動きの模倣に優れています。 本フレームワークでは,大規模動作データセットを管理するための自動優先度スケジューラを導入している。
  論文  参考訳（メタデータ） (2024-05-14T16:12:27Z)
• Universal Humanoid Motion Representations for Physics-Based Control [71.46142106079292]
  物理学に基づくヒューマノイド制御のための総合的な運動スキルを含む普遍的な運動表現を提案する。 まず、大きな非構造運動データセットから人間の動きをすべて模倣できる動き模倣機を学習する。 次に、模倣者から直接スキルを蒸留することで、動作表現を作成します。
  論文  参考訳（メタデータ） (2023-10-06T20:48:43Z)

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。