論文の概要: Learning Soccer Skills for Humanoid Robots: A Progressive Perception-Action Framework

• arxiv url: http://arxiv.org/abs/2602.05310v1
• Date: Thu, 05 Feb 2026 05:05:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.193076
• Title: Learning Soccer Skills for Humanoid Robots: A Progressive Perception-Action Framework
• Title（参考訳）: ヒューマノイドロボットのためのサッカースキルの学習 : プログレッシブ・パーセプション・アクション・フレームワーク
• Authors: Jipeng Kong, Xinzhe Liu, Yuhang Lin, Jinrui Han, Sören Schwertfeger, Chenjia Bai, Xuelong Li,
• Abstract要約: サッカーはヒューマノイドロボットにとって重要な課題であり、密に統合された知覚アクション機能を必要としている。 本稿では,サッカースキル獲得を3段階に分割するプログレッシブアーキテクチャであるパーセプション・アクション統合意思決定(PAiD)を提案する。 ユニトリーG1の実験では、多種多様な条件下で頑健な性能を持つ高忠実な人間のような蹴りが実証された。
• 参考スコア（独自算出の注目度）: 50.6604971348824
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Soccer presents a significant challenge for humanoid robots, demanding tightly integrated perception-action capabilities for tasks like perception-guided kicking and whole-body balance control. Existing approaches suffer from inter-module instability in modular pipelines or conflicting training objectives in end-to-end frameworks. We propose Perception-Action integrated Decision-making (PAiD), a progressive architecture that decomposes soccer skill acquisition into three stages: motion-skill acquisition via human motion tracking, lightweight perception-action integration for positional generalization, and physics-aware sim-to-real transfer. This staged decomposition establishes stable foundational skills, avoids reward conflicts during perception integration, and minimizes sim-to-real gaps. Experiments on the Unitree G1 demonstrate high-fidelity human-like kicking with robust performance under diverse conditions-including static or rolling balls, various positions, and disturbances-while maintaining consistent execution across indoor and outdoor scenarios. Our divide-and-conquer strategy advances robust humanoid soccer capabilities and offers a scalable framework for complex embodied skill acquisition. The project page is available at https://soccer-humanoid.github.io/.
• Abstract（参考訳）: サッカーはヒューマノイドロボットにとって重要な課題であり、知覚誘導蹴りや全身バランス制御といったタスクに対して、密に統合された知覚アクション機能を必要としている。 既存のアプローチはモジュール間パイプラインでのモジュール間不安定や、エンドツーエンドフレームワークでのトレーニング目標の相反に悩まされている。 サッカーのスキル獲得を3段階に分解するプログレッシブアーキテクチャであるパーセプション・アクション統合意思決定(PAiD)を提案する。 この段階的な分解は、安定した基礎スキルを確立し、知覚統合中の報酬の衝突を避け、シム・トゥ・リアルギャップを最小限にする。 ユニツリーG1の実験では、スタティックボールやローリングボール、様々な位置、外乱などの様々な条件下での高忠実な人間のような蹴りが、屋内および屋外のシナリオで一貫して実行され続けることを示す。 我々の配当戦略は、堅牢なヒューマノイドサッカー能力を推進し、複雑な具体的スキル獲得のためのスケーラブルなフレームワークを提供する。 プロジェクトページはhttps://soccer- Humanoid.github.io/.com/で公開されている。

関連論文リスト

• Perceptive Humanoid Parkour: Chaining Dynamic Human Skills via Motion Matching [77.28042137892943]
  本稿では,人間型ロボットの長期的視覚的パーキングを自律的に行うためのモジュール型フレームワークであるPerceptive Humanoid Parkour(PHP)を提案する。 本研究は、これらの合成動作に対する運動追跡強化学習専門家の政策を訓練し、それらを深度に基づく多スキル学生政策に抽出する。 我々は,Unitree G1ヒューマノイドロボットを用いた実世界実験により,我々のフレームワークを検証した。
  論文  参考訳（メタデータ） (2026-02-17T18:59:11Z)
• Learning Human-Like Badminton Skills for Humanoid Robots [25.27775061243493]
  ロボットを「ミミック」から「ストライカー」に進化させるための進歩的強化学習フレームワークを提案する。 提案手法は,人体データに先立って頑健なモータを確立し,それをコンパクトなモデルベース状態表現に蒸留し,逆方向の先立って動的に安定化する。 シミュレーションでは、リフトやドロップショットを含む多様なスキルの習得を通じて、我々のフレームワークを検証する。
  論文  参考訳（メタデータ） (2026-02-09T08:09:52Z)
• HumanX: Toward Agile and Generalizable Humanoid Interaction Skills from Human Videos [74.43500240121476]
  我々はHumanXについて紹介する。HumanXは人間の動画を、ヒューマノイドのための汎用的で現実的なインタラクションスキルにコンパイルするフルスタックのフレームワークである。 HumanXは、従来の方法より8倍高い一般化成功を達成する。
  論文  参考訳（メタデータ） (2026-02-02T18:53:01Z)
• RoboStriker: Hierarchical Decision-Making for Autonomous Humanoid Boxing [43.240817529539356]
  RoboStrikerは、完全に自律的なヒューマノイドボクシングを可能にする階層的な3段階のフレームワークである。 このフレームワークは、まず、人間のモーションキャプチャーデータに基づいてシングルエージェントモーショントラッカーをトレーニングすることにより、ボクシングスキルの包括的なレパートリーを学習する。 最終段階では、Latent-Space Neural Fictitious Self-Play (LS-NFSP)を導入する。
  論文  参考訳（メタデータ） (2026-01-30T03:51:58Z)
• KungfuBot2: Learning Versatile Motion Skills for Humanoid Whole-Body Control [30.738592041595933]
  ヒューマノイドロボットが単一ポリシーで多様な動的動作を学習できる統一された全身制御系VMSを提案する。 我々のフレームワークは、局所的な動きの忠実度とグローバルな軌道の整合性のバランスをとるハイブリッドな追跡目標を統合している。 シミュレーションと実世界の実験の両方においてVMSの特殊化を広範囲に検証し、ダイナミックスキルの正確な模倣、分長シーケンスでの安定した性能、そして目に見えない動作に対する強力な一般化を実証した。
  論文  参考訳（メタデータ） (2025-09-20T11:31:14Z)
• HuB: Learning Extreme Humanoid Balance [21.986188490182993]
  Humanoid Balance(ヒューマノイドバランス)は,参照運動の洗練,バランス対応政策学習,シミュレート・トゥ・リアルトレーニングを統合した統合フレームワークである。 準静的バランスタスクにおけるUnitree G1ヒューマノイドロボットのアプローチを検証する。
  論文  参考訳（メタデータ） (2025-05-12T07:31:42Z)
• 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)
• From Motor Control to Team Play in Simulated Humanoid Football [56.86144022071756]
  我々は、現実的な仮想環境でサッカーをするために、物理的にシミュレートされたヒューマノイドアバターのチームを訓練する。 一連の段階において、プレイヤーはまず、現実的な人間のような動きを実行するために、完全に関節化された身体を制御することを学習する。 その後、ドリブルやシューティングといった中級のサッカーのスキルを身につける。 最後に、彼らは他の人を意識し、チームとしてプレーし、ミリ秒のタイムスケールで低レベルのモーターコントロールのギャップを埋める。
  論文  参考訳（メタデータ） (2021-05-25T20:17:10Z)

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。