論文の概要: CMR: Contractive Mapping Embeddings for Robust Humanoid Locomotion on Unstructured Terrains

• arxiv url: http://arxiv.org/abs/2602.03511v1
• Date: Tue, 03 Feb 2026 13:30:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:15.467717
• Title: CMR: Contractive Mapping Embeddings for Robust Humanoid Locomotion on Unstructured Terrains
• Title（参考訳）: CMR:非構造地におけるロバストなヒューマノイド移動のための契約マッピング埋め込み
• Authors: Qixin Zeng, Hongyin Zhang, Shangke Lyu, Junxi Jin, Donglin Wang, Chao Huang,
• Abstract要約: 本稿では,高次元で乱れやすい観測を潜在空間にマッピングする,ロバストネスのための契約マッピング(CMR)フレームワークを提案する。 CMRは、ノイズの増加の下で、他の移動アルゴリズムよりも強力な性能を発揮する。
• 参考スコア（独自算出の注目度）: 30.85514738551041
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robust disturbance rejection remains a longstanding challenge in humanoid locomotion, particularly on unstructured terrains where sensing is unreliable and model mismatch is pronounced. While perception information, such as height map, enhances terrain awareness, sensor noise and sim-to-real gaps can destabilize policies in practice. In this work, we provide theoretical analysis that bounds the return gap under observation noise, when the induced latent dynamics are contractive. Furthermore, we present Contractive Mapping for Robustness (CMR) framework that maps high-dimensional, disturbance-prone observations into a latent space, where local perturbations are attenuated over time. Specifically, this approach couples contrastive representation learning with Lipschitz regularization to preserve task-relevant geometry while explicitly controlling sensitivity. Notably, the formulation can be incorporated into modern deep reinforcement learning pipelines as an auxiliary loss term with minimal additional technical effort required. Further, our extensive humanoid experiments show that CMR potently outperforms other locomotion algorithms under increased noise.
• Abstract（参考訳）: ロバストな外乱の拒絶は、特にセンシングが信頼できず、モデルミスマッチが発音される非構造的な地形において、ヒューマノイドの移動において長年の課題である。 高度マップのような知覚情報は、地形認識を高める一方で、センサーノイズやシム・トゥ・リアルギャップは、実際に政策を不安定にすることができる。 本研究は, 誘導潜在力学が収縮的である場合, 観測雑音下でのリターンギャップを束縛する理論的解析を行う。 さらに,高次元外乱波観測を局所摂動が時間の経過とともに減衰する潜在空間にマッピングする,ロバストネスの縮約マッピング(CMR)フレームワークを提案する。 特に、このアプローチは対照的な表現学習とリプシッツ正則化を結合し、タスク関連幾何を維持しながら感度を明示的に制御する。 特に、この定式化は、必要最小限の技術的労力で補助的損失項として、現代の深層強化学習パイプラインに組み込むことができる。 さらに, 広汎なヒューマノイド実験により, CMRは高騒音下での他の移動アルゴリズムよりも優れていることが示された。

関連論文リスト

• Unleashing Temporal Capacity of Spiking Neural Networks through Spatiotemporal Separation [67.69345363409835]
  スパイキングニューラルネットワーク(SNN)は、時間的処理に自然に適していると考えられており、膜電位の伝播は、コア時間的モデリングメカニズムとして広く見なされている。 我々は, 膜伝播を段階的に段階的に除去する非ステートフル(NS)モデルの設計を行った。
  論文  参考訳（メタデータ） (2025-12-05T07:05:53Z)
• Adversarially-Refined VQ-GAN with Dense Motion Tokenization for Spatio-Temporal Heatmaps [13.816031528661057]
  本研究では,時空間熱マップに高密度な動きトークン化を施した逆修正VQ-GANフレームワークを提案する。 提案手法は,高密度な動きトークン化と,非対向ベースラインで観察されるスミアリングや時間的ずれを除去する逆向リファインメントを併用する。 CMU Panoptic データセットに対する我々の実験は、我々の方法が優れているという決定的な証拠を提供し、dVAE ベースラインを 9.31% SSIM で上回り、時間的不安定を 37.1% 削減した。
  論文  参考訳（メタデータ） (2025-09-23T17:12:20Z)
• Diffusion-Based Limited-Angle CT Reconstruction under Noisy Conditions [10.287171164361608]
  角投影の欠如は、再構成された画像の不完全なシノグラムやアーティファクトに繋がる。 本稿では, 平均回帰微分方程式(MR-SDE)を用いて, 角ビューの欠落を解消する拡散型フレームワークを提案する。 現実的な雑音下でのロバスト性を改善するために,推論時間不確実性を明示的にモデル化する新しいノイズ認識機構を提案する。
  論文  参考訳（メタデータ） (2025-07-08T03:58:52Z)
• Sparsity-Driven Parallel Imaging Consistency for Improved Self-Supervised MRI Reconstruction [2.8237889121096034]
  本稿では,PD-DLネットワークを慎重に設計した摂動を用いてトレーニングする方法を提案する。 提案手法は,アーティファクトのエイリアスを効果的に低減し,高加速速度での雑音増幅を緩和することを示す。
  論文  参考訳（メタデータ） (2025-05-30T02:11:25Z)
• ACMamba: Fast Unsupervised Anomaly Detection via An Asymmetrical Consensus State Space Model [51.83639270669481]
  ハイパースペクトル画像(HSI)における教師なし異常検出は、背景から未知のターゲットを検出することを目的としている。 HSI研究は、HSIの高次元特性と高密度サンプリングベーストレーニングパラダイムにより、計算コストの急激さによって妨げられている。 計算コストを大幅に削減する非対称コンセンサス状態空間モデル(ACMamba)を提案する。
  論文  参考訳（メタデータ） (2025-04-16T05:33:42Z)
• A Differential Smoothness-based Compact-Dynamic Graph Convolutional Network for Spatiotemporal Signal Recovery [9.369246678101048]
  本稿では、時間的信号回復のためのコンパクト・フォールド・コングラフ・ネットワーク(CDCN)を提案する。 実世界のデータセットの実験では、CDCNは時間的信号回復の最先端モデルよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2024-08-06T06:42:53Z)
• Fast Value Tracking for Deep Reinforcement Learning [7.648784748888187]
  強化学習(Reinforcement Learning, RL)は、環境と対話するエージェントを作成することによって、シーケンシャルな意思決定問題に取り組む。 既存のアルゴリズムはしばしばこれらの問題を静的とみなし、期待される報酬を最大化するためにモデルパラメータの点推定に重点を置いている。 我々の研究は、カルマンパラダイムを活用して、Langevinized Kalman TemporalTDと呼ばれる新しい定量化およびサンプリングアルゴリズムを導入する。
  論文  参考訳（メタデータ） (2024-03-19T22:18:19Z)
• Towards Adversarially Robust Deep Image Denoising [199.2458715635285]
  本研究は,ディープ・イメージ・デノイザ(DID)の対角的ロバスト性について系統的に検討する。 本稿では,観測に基づくゼロ平均アタック(sc ObsAtk)という新たな敵攻撃を提案する。 DIDを頑健化するために,DIDと非対向雑音データとを併用したハイブリッド対向訓練(sc HAT)を提案する。
  論文  参考訳（メタデータ） (2022-01-12T10:23:14Z)
• Policy Smoothing for Provably Robust Reinforcement Learning [109.90239627115336]
  入力のノルム有界対向摂動に対する強化学習の証明可能な堅牢性について検討する。 我々は、スムーズなポリシーによって得られる全報酬が、入力の摂動のノルムバウンドな逆数の下で一定の閾値以下に収まらないことを保証した証明書を生成する。
  論文  参考訳（メタデータ） (2021-06-21T21:42:08Z)
• Attribute-Guided Adversarial Training for Robustness to Natural Perturbations [64.35805267250682]
  本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。 我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
  論文  参考訳（メタデータ） (2020-12-03T10:17:30Z)

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。