論文の概要: Omnidirectional Humanoid Locomotion on Stairs via Unsafe Stepping Penalty and Sparse LiDAR Elevation Mapping

• arxiv url: http://arxiv.org/abs/2603.07928v1
• Date: Mon, 09 Mar 2026 03:48:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.082176
• Title: Omnidirectional Humanoid Locomotion on Stairs via Unsafe Stepping Penalty and Sparse LiDAR Elevation Mapping
• Title（参考訳）: 安全でないステッピングペナルティとスパースLiDAR標高マッピングによる階段上全方向ヒューマノイド移動
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 6.267657984340167
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Humanoid robots, characterized by numerous degrees of freedom and a high center of gravity, are inherently unstable. Safe omnidirectional locomotion on stairs requires both omnidirectional terrain perception and reliable foothold selection. Existing methods often rely on forward-facing depth cameras, which create blind zones that restrict omnidirectional mobility. Furthermore, sparse post-contact unsafe stepping penalties lead to low learning efficiency and suboptimal strategies. To realize safe stair-traversal gaits, this paper introduces a single-stage training framework incorporating a dense unsafe stepping penalty that provides continuous feedback as the foot approaches a hazardous placement. To obtain stable and reliable elevation maps, we build a rolling point-cloud mapping system with spatiotemporal confidence decay and a self-protection zone mechanism, producing temporally consistent local maps. These maps are further refined by an Edge-Guided Asymmetric U-Net (EGAU), which mitigates reconstruction distortion caused by sparse LiDAR returns on stair risers. Simulation and real-robot experiments show that the proposed method achieves a near-100\% safe stepping rate on stair terrains in simulation, while maintaining a remarkably high safe stepping rate in real-world deployments. Furthermore, it completes a continuous long-distance walking test on complex outdoor terrains, demonstrating reliable sim-to-real transfer and long-term stability.
• Abstract（参考訳）: 多くの自由度と高い重心を持つヒューマノイドロボットは本質的に不安定である。 階段上での安全な全方向移動には、全方向の地形認識と信頼性のある足場選択の両方が必要である。 既存の方法は前方の奥行きカメラに頼り、全方位移動を制限するブラインドゾーンを作る。 さらに、軽度の接触後の安全でないステップペナルティは、学習効率の低下と準最適戦略につながる。 そこで本稿では,足が危険に近づいたときに連続的なフィードバックを提供する高密度無安全ペナルティを取り入れた単一段階トレーニングフレームワークを提案する。 安定かつ信頼性の高い標高マップを得るため,時空間信頼度減衰と自己保護ゾーン機構を備えた転動点クラウドマッピングシステムを構築し,時間的に一貫した局所地図を生成する。 これらのマップはエッジガイド付き非対称U-Net(EGAU)によりさらに洗練され、階段上りのLiDARリターンによる復元歪みを緩和する。 シミュレーションおよび実ロボット実験により,提案手法は実世界の展開において極めて安全なステップ速度を維持しつつ,シミュレーション中の階段上の安全ステップ速度を約100倍に向上することが示された。 さらに、複雑な屋外地形における長距離歩行試験を継続し、信頼性の高いシミュレート・トゥ・リアル・トランスファーと長期安定性を実証する。

関連論文リスト

• Shift & Drift: A Zero-Shot Benchmark for Generalizable and Robust Autonomous Driving Motion Planning [60.888463449435484]
  シフト・アンド・ドリフト(Shift & Drift)は、分散シフトの2つの重要な軸にまたがる、厳密なストレス-テスト運動プランナーのための新しいデュアルトラックベンチマークである。 擬似学習手法は,IDベンチマークにおいて高いスコアを得るが,時間的に相関したアクティベーションノイズを受けると持続的なドリフトに悩まされることを示す。 本研究は, 模擬忠実度と閉ループレジリエンスのトレードオフを実証的に明らかにし, 信頼性の高い展開に向けた進捗を評価するための厳密なベンチマークをコミュニティに提供する。
  論文  参考訳（メタデータ） (2026-07-08T18:23:48Z)
• TARIC: Memory-Augmented Traversability-Aware Outdoor VLN under Interrupted Semantic Cues [2.9521757117513823]
  長期のオープンワールド環境における視覚言語ナビゲーション(VLN)は、セマンティックキューの中断によってしばしば中断される。 トラバーサビリティに一貫性のある実行時ガイダンスを維持することにより,セマンティックキューの中断に耐えられる,統一された屋外VLNフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-29T10:30:36Z)
• Explicit Stair Geometry Conditioning for Robust Humanoid Locomotion [15.718523500563203]
  本稿では,ロバストなヒューマノイド・ステアクライミングのための明示的な階段形状条件付けフレームワークを提案する。 地形を高次元の潜在特徴として符号化する代わりに,ステップ高さ,ステップ深さ,ロボットの進路に対するヨー角度など,解釈可能な幾何学的パラメータのコンパクトなセットを抽出する。 これらの明示的な階段パラメータは、PPO(Proximal Policy Optimization)に基づくロコモーションポリシーを直接条件とし、階段構造に応じてスイングフットクリアランスとストライド特性のプロアクティブな変調を可能にする。
  論文  参考訳（メタデータ） (2026-05-11T03:47:24Z)
• RAD-2: Scaling Reinforcement Learning in a Generator-Discriminator Framework [49.531001563853984]
  RAD-2はクローズドループ計画のための統一されたジェネレータ・ディスクリミネーターフレームワークである。 様々な軌道候補を生成する一方、RL最適化判別器は、これらの候補を長期的な運転品質に応じて再現する。 強い拡散ベースのプランナーに比べて衝突速度を56%削減する。
  論文  参考訳（メタデータ） (2026-04-16T17:59:44Z)
• OnFly: Onboard Zero-Shot Aerial Vision-Language Navigation toward Safety and Efficiency [9.769964979769204]
  ゼロショットAVLNのためのフルオンボードリアルタイムフレームワークOnFlyを提案する。 OnFlyは、低周波進行監視から高周波目標生成を分離する、共有パーセプション二重エージェントアーキテクチャを採用している。 シミュレーションでは、OnFlyは最強の最先端ベースラインと比較してタスク成功率を26.4%から67.8%に改善している。
  論文  参考訳（メタデータ） (2026-03-11T11:48:22Z)
• Geometry of Drifting MDPs with Path-Integral Stability Certificates [14.721539799090904]
  実世界の強化学習は、しばしば非定常的であり、報酬と力学は最適な行動において急激なスイッチを起動し、加速し、振動し、引き起こす。 環境を相異なるホモトピーパスとしてモデル化し、最適なベルマン固定点の誘導運動を追跡することにより、非定常割引マルコフ決定過程(MDPs)の幾何学的ビューを得る。 これは、累積ドリフト、加速度/振動、アクションギャップによって引き起こされる非滑らかさという、内在的な複雑さの、長さ-曲率-キンクのシグネチャをもたらす。
  論文  参考訳（メタデータ） (2026-01-29T17:03:23Z)
• FastStair: Learning to Run Up Stairs with Humanoid Robots [19.796528911795516]
  階段を駆け上がるのは人間にはむずかしいが、ヒューマノイドロボットには難しい。 FastStairは、高速で安定した階段上昇を実現するためのプランナーによる多段階学習フレームワークである。 我々は,Oliヒューマノイドロボットに制御器を配置し,最大1.65m/sの速度で安定な階段上昇を実現する。
  論文  参考訳（メタデータ） (2026-01-15T13:14:59Z)
• 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)
• START: Traversing Sparse Footholds with Terrain Reconstruction [11.632418196552324]
  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。
  論文  参考訳（メタデータ） (2025-12-15T10:02:41Z)
• Gait-Adaptive Perceptive Humanoid Locomotion with Real-Time Under-Base Terrain Reconstruction [86.53248703859718]
  本研究では,地形認識,歩行制御,全身制御を一つの強化学習ポリシーにマージする知覚的移動フレームワークを提案する。 31-DoF、1.65mのヒューマノイドロボットによる実験は、シミュレーションと実世界の両方で堅牢な移動を実証している。
  論文  参考訳（メタデータ） (2025-12-08T11:42:41Z)
• Physical Adversarial Camouflage through Gradient Calibration and Regularization [48.064270454248316]
  敵のカモフラージュは 物体のテクスチャを 偽検知器に変えて 重大なセキュリティリスクを 負う 既存の技術は様々な物理的環境に苦しむ。 勾配最適化に基づく新しい逆カモフラージュフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-07T14:07:49Z)
• 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)
• Autonomous Control of a Novel Closed Chain Five Bar Active Suspension via Deep Reinforcement Learning [0.6456676618238324]
  本稿では,シャーシ安定化に着目したアクティブサスペンションシステムについて述べる。 SACをPID(Proportional Integral Derivative)コントロールと併用してシャシーを安定化した。 モデルは、周囲の障害物からの距離、障害物の高さ、シャシーの向きを利用して、サスペンションの制御リンクを正確に作動させる。
  論文  参考訳（メタデータ） (2024-06-27T05:27:39Z)
• VAE-Loco: Versatile Quadruped Locomotion by Learning a Disentangled Gait Representation [78.92147339883137]
  本研究では,特定の歩行を構成する主要姿勢位相を捕捉する潜在空間を学習することにより,制御器のロバスト性を高めることが重要であることを示す。 本研究では,ドライブ信号マップの特定の特性が,歩幅,歩幅,立位などの歩行パラメータに直接関係していることを示す。 生成モデルを使用することで、障害の検出と緩和が容易になり、汎用的で堅牢な計画フレームワークを提供する。
  論文  参考訳（メタデータ） (2022-05-02T19:49:53Z)
• Next Steps: Learning a Disentangled Gait Representation for Versatile Quadruped Locomotion [69.87112582900363]
  現在のプランナーは、ロボットが動いている間、キー歩行パラメータを連続的に変更することはできない。 本研究では、特定の歩行を構成する重要な姿勢位相を捉える潜在空間を学習することにより、この制限に対処する。 本研究では, 歩幅, 歩幅, 立位など, 歩行パラメータに直接対応した駆動信号マップの具体的特性を示す。
  論文  参考訳（メタデータ） (2021-12-09T10:02:02Z)
• STEP: Stochastic Traversability Evaluation and Planning for Safe Off-road Navigation [9.423950528323893]
  トラバーサビリティを評価し,安全かつ実現可能な高速軌道をリアルタイムに計画する手法を提案する。 1)迅速な不確実性認識マッピングとトラバーサビリティ評価,2)条件付きバリュー・アット・リスク(CVaR)を用いたテールリスクアセスメント,3)効率的なリスクと制約を考慮したキノダイナミックな動き計画。 本手法をシミュレーションで解析し,地下溶岩管を含む極端な地形を探索する車輪型および脚型ロボットプラットフォーム上での有効性を検証する。
  論文  参考訳（メタデータ） (2021-03-04T04:24:19Z)

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。