論文の概要: START: Traversing Sparse Footholds with Terrain Reconstruction

• arxiv url: http://arxiv.org/abs/2512.13153v1
• Date: Mon, 15 Dec 2025 10:02:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.346765
• Title: START: Traversing Sparse Footholds with Terrain Reconstruction
• Title（参考訳）: START:テランの再構築によるスパースフットホルダーのトラバース
• Authors: Ruiqi Yu, Qianshi Wang, Hongyi Li, Zheng Jun, Zhicheng Wang, Jun Wu, Qiuguo Zhu,
• Abstract要約: 我々は,高度にスパースな足場でアジャイルで安定した移動を可能にする,単段階学習フレームワークSTARTを提案する。 STARTは、ローコストのオンボードビジョンとプロプレセプションのみを活用して、局所的な地形の高度マップを正確に再構築する。 実験結果から,STARTは実世界の様々なシナリオにまたがるゼロショット転送を実現することが示された。
• 参考スコア（独自算出の注目度）: 11.632418196552324
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traversing terrains with sparse footholds like legged animals presents a promising yet challenging task for quadruped robots, as it requires precise environmental perception and agile control to secure safe foot placement while maintaining dynamic stability. Model-based hierarchical controllers excel in laboratory settings, but suffer from limited generalization and overly conservative behaviors. End-to-end learning-based approaches unlock greater flexibility and adaptability, but existing state-of-the-art methods either rely on heightmaps that introduce noise and complex, costly pipelines, or implicitly infer terrain features from egocentric depth images, often missing accurate critical geometric cues and leading to inefficient learning and rigid gaits. To overcome these limitations, we propose START, a single-stage learning framework that enables agile, stable locomotion on highly sparse and randomized footholds. START leverages only low-cost onboard vision and proprioception to accurately reconstruct local terrain heightmap, providing an explicit intermediate representation to convey essential features relevant to sparse foothold regions. This supports comprehensive environmental understanding and precise terrain assessment, reducing exploration cost and accelerating skill acquisition. Experimental results demonstrate that START achieves zero-shot transfer across diverse real-world scenarios, showcasing superior adaptability, precise foothold placement, and robust locomotion.
• Abstract（参考訳）: 足のついた動物のような足の低い足場のある地形のトラバースは、動的安定性を維持しながら安全な足場を確保するために、正確な環境認識とアジャイルコントロールを必要とするため、四足歩行ロボットにとって有望で挑戦的な課題である。 モデルベースの階層型コントローラは実験室の設定では優れているが、限定的な一般化と過度に保守的な振る舞いに悩まされている。 エンドツーエンドの学習ベースのアプローチは、より柔軟性と適応性を解放するが、既存の最先端の手法は、ノイズや複雑でコストのかかるパイプラインを導入するハイトマップに依存するか、エゴセントリックな深度画像から地形の特徴を暗黙的に推測する。 これらの制限を克服するために,我々は,高度に疎外かつランダムな足場上で,アジャイルで安定した移動を可能にする,単段階学習フレームワークSTARTを提案する。 STARTは、低コストのオンボードビジョンとプロプリセプションのみを活用して、局所的な地形の高度マップを正確に再構築し、足軽な足場領域に関連する重要な特徴を伝えるための明示的な中間表現を提供する。 これは、総合的な環境理解と正確な地形評価をサポートし、探査コストを削減し、スキル獲得を加速する。 実験結果から,STARTは実世界の様々なシナリオにまたがるゼロショット転送を実現し,優れた適応性,正確な足場配置,ロバストな移動性を示した。

関連論文リスト

• PRIOR: Perceptive Learning for Humanoid Locomotion with Reference Gait Priors [12.48639232018629]
  PRIORはIsaac Lab上に構築された効率的で再現可能なフレームワークである。 本研究では,人間的な歩行と頑健な地形トラバースを実現する枠組みを提案する。 トレーニングパイプラインやパラメトリック歩行生成器,評価ベンチマークなどを含む,完全なPRIORフレームワークをオープンソースとして公開します。
  論文  参考訳（メタデータ） (2026-03-19T14:42:07Z)
• Omnidirectional Humanoid Locomotion on Stairs via Unsafe Stepping Penalty and Sparse LiDAR Elevation Mapping [6.267657984340167]
  本稿では,重度の安全でないステップペナルティを取り入れた単段階トレーニングフレームワークを提案する。 シミュレーションでは階段上の安全なステップ速度をほぼ100%達成し、実際の配置では極めて安全なステップ速度を維持している。 複雑な屋外地形における長距離歩行試験を継続し、信頼性の高いシモン・トゥ・リアル・トランスファーと長期安定性を実証する。
  論文  参考訳（メタデータ） (2026-03-09T03:48:32Z)
• Hiking in the Wild: A Scalable Perceptive Parkour Framework for Humanoids [30.976354277907664]
  textitHiking in the Wildは、堅牢なヒューマノイドハイキング用に設計された、スケーラブルでエンドツーエンドのパーサー知覚フレームワークだ。 提案手法では, 外部状態推定に頼ることなく, 単段階強化学習手法, 生深度入力, プロプレセプションを直接協調動作にマッピングする。
  論文  参考訳（メタデータ） (2026-01-12T16:50:50Z)
• NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
  我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。 グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。 我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
  論文  参考訳（メタデータ） (2025-06-23T14:28:30Z)
• BeamDojo: Learning Agile Humanoid Locomotion on Sparse Footholds [35.62230804783507]
  既存の学習ベースのアプローチは、足場不足や非効率な学習プロセスのために、複雑な地形で苦労することが多い。 BeamDojoはアジャイルなヒューマノイドの移動を可能にするための強化学習フレームワークです。 BeamDojoはシミュレーションで効率的な学習を実現し、現実世界の狭い足場に正確な足場を配置してアジャイルの移動を可能にする。
  論文  参考訳（メタデータ） (2025-02-14T18:42:42Z)
• View Consistent Purification for Accurate Cross-View Localization [59.48131378244399]
  本稿では,屋外ロボットのための微細な自己局在化手法を提案する。 提案手法は,既存のクロスビューローカライゼーション手法の限界に対処する。 これは、動的環境における知覚を増強する初めての疎視のみの手法である。
  論文  参考訳（メタデータ） (2023-08-16T02:51:52Z)
• Learning to Jump from Pixels [23.17535989519855]
  我々は、高度にアジャイルな視覚的誘導行動の合成法であるDepth-based Impulse Control (DIC)を提案する。 DICは、モデルフリー学習の柔軟性を提供するが、地面反応力の明示的なモデルベース最適化により、振る舞いを規則化する。 提案手法をシミュレーションと実世界の両方で評価する。
  論文  参考訳（メタデータ） (2021-10-28T17:53:06Z)
• Learning High-Speed Flight in the Wild [101.33104268902208]
  複雑な自然環境や人工環境を高速で自律的に飛行するエンド・ツー・エンドのアプローチを提案する。 鍵となる原理は、雑音の知覚観測を直接、後退水平方向に無衝突軌道にマッピングすることである。 現実的なセンサノイズをシミュレートすることにより,シミュレーションから現実環境へのゼロショット転送を実現する。
  論文  参考訳（メタデータ） (2021-10-11T09:43:11Z)
• Learning Perceptual Locomotion on Uneven Terrains using Sparse Visual Observations [75.60524561611008]
  この研究は、人中心の環境において、よく見られるバンプ、ランプ、階段の広い範囲にわたる知覚的移動を達成するために、スパースな視覚的観察の使用を活用することを目的としている。 まず、関心の均一な面を表すことのできる最小限の視覚入力を定式化し、このような外受容的・固有受容的データを統合した学習フレームワークを提案する。 本研究では, 平地を全方向歩行し, 障害物のある地形を前方移動させるタスクにおいて, 学習方針を検証し, 高い成功率を示す。
  論文  参考訳（メタデータ） (2021-09-28T20:25:10Z)
• Learning to Move with Affordance Maps [57.198806691838364]
  物理的な空間を自律的に探索し、ナビゲートする能力は、事実上あらゆる移動型自律エージェントの基本的な要件である。 従来のSLAMベースの探索とナビゲーションのアプローチは、主にシーン幾何学の活用に重点を置いている。 学習可能な余剰マップは探索と航法の両方において従来のアプローチの強化に利用でき、性能が大幅に向上することを示します。
  論文  参考訳（メタデータ） (2020-01-08T04:05:11Z)

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。