論文の概要: Learning Terrain Aware Bipedal Locomotion via Reduced Dimensional Perceptual Representations

• arxiv url: http://arxiv.org/abs/2512.12993v1
• Date: Mon, 15 Dec 2025 05:38:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.342257
• Title: Learning Terrain Aware Bipedal Locomotion via Reduced Dimensional Perceptual Representations
• Title（参考訳）: 二次元知覚表現による二足歩行の学習
• Authors: Guillermo A. Castillo, Himanshu Lodha, Ayonga Hereid,
• Abstract要約: 本研究は、地形を意識した二足歩行の階層的戦略を導入する。 低次元表現を統合して、リアルタイム歩行生成のための強化学習(RL)に基づく高レベル(HL)ポリシーを強化する。
• 参考スコア（独自算出の注目度）: 6.407946291544721
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work introduces a hierarchical strategy for terrain-aware bipedal locomotion that integrates reduced-dimensional perceptual representations to enhance reinforcement learning (RL)-based high-level (HL) policies for real-time gait generation. Unlike end-to-end approaches, our framework leverages latent terrain encodings via a Convolutional Variational Autoencoder (CNN-VAE) alongside reduced-order robot dynamics, optimizing the locomotion decision process with a compact state. We systematically analyze the impact of latent space dimensionality on learning efficiency and policy robustness. Additionally, we extend our method to be history-aware, incorporating sequences of recent terrain observations into the latent representation to improve robustness. To address real-world feasibility, we introduce a distillation method to learn the latent representation directly from depth camera images and provide preliminary hardware validation by comparing simulated and real sensor data. We further validate our framework using the high-fidelity Agility Robotics (AR) simulator, incorporating realistic sensor noise, state estimation, and actuator dynamics. The results confirm the robustness and adaptability of our method, underscoring its potential for hardware deployment.
• Abstract（参考訳）: 本研究は,低次元の知覚表現を統合し,リアルタイム歩行生成のための強化学習(RL)に基づく高レベル(HL)ポリシーを強化する地形認識二足歩行の階層的戦略を導入する。 エンド・ツー・エンドのアプローチとは異なり,我々のフレームワークは,ロボットの低次ダイナミクスとともに,畳み込み変分オートエンコーダ(CNN-VAE)による潜時地形符号化を活用し,ロコモーション決定プロセスをコンパクトな状態に最適化する。 我々は,潜在空間次元が学習効率と政策ロバスト性に与える影響を体系的に分析する。 さらに,この手法を歴史認識に拡張し,最近の地形観測のシーケンスを潜在表現に組み込んでロバスト性を向上させる。 実世界の実現可能性に対処するため,深度カメラ画像から直接潜伏表現を学習する蒸留法を導入し,シミュレーションと実センサデータを比較してハードウェアの予備的検証を行う。 我々はさらに、現実的なセンサノイズ、状態推定、アクチュエータダイナミクスを取り入れた高忠実度Agility Robotics(AR)シミュレータを用いて、我々のフレームワークを検証する。 その結果, 本手法の堅牢性と適応性を確認し, ハードウェア展開の可能性を明らかにした。

関連論文リスト

• Kinematics-Aware Latent World Models for Data-Efficient Autonomous Driving [8.391716372682316]
  車両キネマティック情報は観測エンコーダに組み込まれ、物理的に意味のある運動力学における潜伏遷移を基底とする。 ジオメトリ・アウェアの監督は、RSSM潜時状態を規則化し、ピクセル再構成を超えてタスク関連空間構造をキャプチャする。
  論文  参考訳（メタデータ） (2026-03-07T15:47:54Z)
• D-REX: Differentiable Real-to-Sim-to-Real Engine for Learning Dexterous Grasping [66.22412592525369]
  本稿では,ガウスのSplat表現を生かした実--sim-to-realエンジンを導入し,実-sim-to-realエンジンについて述べる。 提案エンジンは, 各種物体の形状と質量値のマス識別において, 高精度かつロバストな性能を実現していることを示す。 これらの最適化された質量値は、力覚的なポリシー学習を促進し、オブジェクトの把握において優れた、高いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-03-01T15:32:04Z)
• Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
  作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。 Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。 高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-10-27T03:52:45Z)
• StaMo: Unsupervised Learning of Generalizable Robot Motion from Compact State Representation [56.996371714721995]
  高度に圧縮された2つの状態表現を学習する教師なしの手法を提案する。 私たちの表現は効率的で解釈可能で、既存のVLAベースのモデルとシームレスに統合されます。 提案手法は,コンパクトな状態表現から一般化可能なロボットモーションを学習できることから,StaMoと命名する。
  論文  参考訳（メタデータ） (2025-10-06T17:37:24Z)
• Robotic World Model: A Neural Network Simulator for Robust Policy Optimization in Robotics [50.191655141020505]
  この研究は、長期水平予測、エラー蓄積、およびsim-to-real転送の課題に対処することで、モデルに基づく強化学習を前進させる。 スケーラブルでロバストなフレームワークを提供することで、現実のアプリケーションにおいて適応的で効率的なロボットシステムを実現することができる。
  論文  参考訳（メタデータ） (2025-01-17T10:39:09Z)
• Spatially Visual Perception for End-to-End Robotic Learning [33.490603706207075]
  環境変動に対処するために3次元空間表現を利用する映像ベース空間認識フレームワークを提案する。 提案手法は,新しい画像拡張手法であるAugBlenderと,インターネット規模のデータに基づいてトレーニングされた最先端のモノクロ深度推定モデルを統合する。
  論文  参考訳（メタデータ） (2024-11-26T14:23:42Z)
• Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
  データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。 ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。 ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
  論文  参考訳（メタデータ） (2022-04-09T22:07:34Z)
• Towards Scale Consistent Monocular Visual Odometry by Learning from the Virtual World [83.36195426897768]
  仮想データから絶対スケールを取得するための新しいフレームワークであるVRVOを提案する。 まず、モノクロ実画像とステレオ仮想データの両方を用いて、スケール対応の異種ネットワークをトレーニングする。 結果として生じるスケール一貫性の相違は、直接VOシステムと統合される。
  論文  参考訳（メタデータ） (2022-03-11T01:51:54Z)
• DiffSRL: Learning Dynamic-aware State Representation for Deformable Object Control with Differentiable Simulator [26.280021036447213]
  ダイナミックス関連情報をキャプチャできる潜在空間は、モデルフリー強化学習の加速のような分野に広く応用されている。 微分可能シミュレーションを利用した動的状態表現学習パイプラインDiffSRLを提案する。 本モデルでは,長期的ダイナミクスと報奨予測の両面で優れた性能を示す。
  論文  参考訳（メタデータ） (2021-10-24T04:53:58Z)

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。