論文の概要: VIP-Loco: A Visually Guided Infinite Horizon Planning Framework for Legged Locomotion

• arxiv url: http://arxiv.org/abs/2603.14345v1
• Date: Sun, 15 Mar 2026 12:29:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-21 18:33:56.826138
• Title: VIP-Loco: A Visually Guided Infinite Horizon Planning Framework for Legged Locomotion
• Title（参考訳）: VIP-Loco: 足歩行のための視覚ガイド付き無限水平計画フレームワーク
• Authors: Aditya Shirwatkar, Satyam Gupta, Shishir Kolathaya,
• Abstract要約: VIP-Locoは、視覚に基づくシーン理解とRLと計画を統合するフレームワークである。 我々は、VIP-Locoが計画と認識を統一し、多様な環境における堅牢で解釈可能な移動を可能にすることを示す。
• 参考スコア（独自算出の注目度）: 2.85987101794478
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Perceptive locomotion for legged robots requires anticipating and adapting to complex, dynamic environments. Model Predictive Control (MPC) serves as a strong baseline, providing interpretable motion planning with constraint enforcement, but struggles with high-dimensional perceptual inputs and rapidly changing terrain. In contrast, model-free Reinforcement Learning (RL) adapts well across visually challenging scenarios but lacks planning. To bridge this gap, we propose VIP-Loco, a framework that integrates vision-based scene understanding with RL and planning. During training, an internal model maps proprioceptive states and depth images into compact kinodynamic features used by the RL policy. At deployment, the learned models are used within an infinite-horizon MPC formulation, combining adaptability with structured planning. We validate VIP-Loco in simulation on challenging locomotion tasks, including slopes, stairs, crawling, tilting, gap jumping, and climbing, across three robot morphologies: a quadruped (Unitree Go1), a biped (Cassie), and a wheeled-biped (TronA1-W). Through ablations and comparisons with state-of-the-art methods, we show that VIP-Loco unifies planning and perception, enabling robust, interpretable locomotion in diverse environments.
• Abstract（参考訳）: 脚のあるロボットの知覚的な移動には、複雑な動的環境を予測し適応する必要がある。 モデル予測制御(MPC)は強力なベースラインとして機能し、制約執行を伴う解釈可能な動作計画を提供するが、高次元の知覚入力と急速に変化する地形に苦しむ。 対照的に、モデルフリー強化学習(RL)は視覚的に困難なシナリオにうまく適応するが、計画がない。 このギャップを埋めるために,視覚に基づくシーン理解をRLと計画に統合するフレームワークであるVIP-Locoを提案する。 トレーニング中、内部モデルでは、固有受容状態と深度画像がRLポリシーで使用されるコンパクトなキノダイナミックな特徴にマッピングされる。 デプロイでは、学習したモデルは無限水平MPCの定式化内で使用され、適応性と構造化計画を組み合わせる。 VIP-Locoは、傾斜、階段、クロール、傾き、傾き、ギャップジャンプ、クライミングの3つのロボット形態、すなわち四足歩行(Unitree Go1)、二足歩行(Cassie)、二足歩行(TronA1-W)の3つのロボット形態にまたがって、困難な移動課題のシミュレーションで検証する。 最先端手法との比較により,VIP-Locoは計画と認識を統一し,多様な環境における堅牢で解釈可能な移動を可能にすることを示す。

関連論文リスト

• SGDrive: Scene-to-Goal Hierarchical World Cognition for Autonomous Driving [52.02379432801349]
  本稿では,運転特化知識階層に関するVLMの表現学習を構築する新しいフレームワークであるSGDriveを提案する。 トレーニング済みのVLMバックボーン上に構築されたSGDriveは、人間の運転認知を反映するシーンエージェントゴール階層に、駆動理解を分解する。
  論文  参考訳（メタデータ） (2026-01-09T08:55:42Z)
• Monte Carlo Tree Search with Velocity Obstacles for safe and efficient motion planning in dynamic environments [49.30744329170107]
  本稿では,動的障害物に関する情報を最小限に抑えた最適オンライン動作計画手法を提案する。 提案手法は,モデルシミュレーションによるオンライン最適計画のためのモンテカルロ木探索 (MCTS) と障害物回避のためのVelocity Obstacles (VO) を組み合わせた。 我々は,非線形モデル予測制御(NMPC)を含む最先端のプランナーに対して,衝突速度,計算,タスク性能の向上の観点から,我々の方法論の優位性を示す。
  論文  参考訳（メタデータ） (2025-01-16T16:45:08Z)
• PIP-Loco: A Proprioceptive Infinite Horizon Planning Framework for Quadrupedal Robot Locomotion [1.123472110161393]
  四足歩行におけるモデル予測制御(MPC)の強みは、制約を強制する能力である。 自己受容型計画と強化学習(RL)を統合した枠組みを提案する。 デプロイ中、Dreamerモジュールは無限水平MPC問題を解決する。
  論文  参考訳（メタデータ） (2024-09-14T13:51:37Z)
• PlaMo: Plan and Move in Rich 3D Physical Environments [68.75982381673869]
  シーン認識型パスプランナで,ロバストな物理制御系であるPlaMoについて紹介する。 プランナーは、シーンが動きに課す様々な制限を考慮して、一連の動き経路を生成する。 私たちのコントロールポリシーは、計画に忠実なリッチでリアルな物理運動を生成します。
  論文  参考訳（メタデータ） (2024-06-26T10:41:07Z)
• Reinforcement Learning for Versatile, Dynamic, and Robust Bipedal Locomotion Control [106.32794844077534]
  本稿では,二足歩行ロボットのための動的移動制御系を構築するために,深層強化学習を用いた研究について述べる。 本研究では、周期歩行やランニングから周期ジャンプや立位に至るまで、様々な動的二足歩行技術に使用できる汎用的な制御ソリューションを開発する。 この研究は、二足歩行ロボットの俊敏性の限界を、現実世界での広範な実験を通じて押し上げる。
  論文  参考訳（メタデータ） (2024-01-30T10:48:43Z)
• 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)
• RLOC: Terrain-Aware Legged Locomotion using Reinforcement Learning and Optimal Control [6.669503016190925]
  四元計画と制御のためのモデルベースとデータ駆動の統一的アプローチを提案する。 センサ情報と所望のベース速度コマンドを、強化学習ポリシーを用いて足踏み計画にマッピングする。 我々は、複雑な四足歩行システムであるANYmal Bの枠組みを訓練し、再訓練を必要とせず、より大きく重いロボットであるANYmal Cへの移動性を示す。
  論文  参考訳（メタデータ） (2020-12-05T18:30:23Z)

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。