論文の概要: PRIOR: Perceptive Learning for Humanoid Locomotion with Reference Gait Priors

• arxiv url: http://arxiv.org/abs/2603.18979v1
• Date: Thu, 19 Mar 2026 14:42:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:06.207428
• Title: PRIOR: Perceptive Learning for Humanoid Locomotion with Reference Gait Priors
• Title（参考訳）: PRIOR:基準利得を優先したヒューマノイドロコモーションの知覚学習
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 12.48639232018629
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Training perceptive humanoid locomotion policies that traverse complex terrains with natural gaits remains an open challenge, typically demanding multi-stage training pipelines, adversarial objectives, or extensive real-world calibration. We present PRIOR, an efficient and reproducible framework built on Isaac Lab that achieves robust terrain traversal with human-like gaits through a simple yet effective design: (i) a parametric gait generator that supplies stable reference trajectories derived from motion capture without adversarial training, (ii) a GRU-based state estimator that infers terrain geometry directly from egocentric depth images via self-supervised heightmap reconstruction, and (iii) terrain-adaptive footstep rewards that guide foot placement toward traversable regions. Through systematic analysis of depth image resolution trade-offs, we identify configurations that maximize terrain fidelity under real-time constraints, substantially reducing perceptual overhead without degrading traversal performance. Comprehensive experiments across terrains of varying difficulty-including stairs, boxes, and gaps-demonstrate that each component yields complementary and essential performance gains, with the full framework achieving a 100% traversal success rate. We will open-source the complete PRIOR framework, including the training pipeline, parametric gait generator, and evaluation benchmarks, to serve as a reproducible foundation for humanoid locomotion research on Isaac Lab.
• Abstract（参考訳）: 自然の歩行で複雑な地形を横断する知覚的ヒューマノイド移動政策の訓練は、通常、多段階の訓練パイプライン、敵の目標、または広範囲の現実世界の校正を必要とする、オープンな課題である。 私たちはIsaac Lab上に構築された効率的かつ再現可能なフレームワークであるPRIORを紹介します。 一 対向訓練をせずに、モーションキャプチャから派生した安定した基準軌跡を供給するパラメトリック歩行発生装置 (II)自己教師型高度マップ再構成による自我心深度画像から直接地形形状を推定するGRUに基づく状態推定装置 三 渡航地への足場配置を案内する地形適応型足場報酬 深度画像解像度トレードオフの系統的解析により、リアルタイム制約下で地形の忠実度を最大化し、トラバース性能を低下させることなく、知覚的オーバーヘッドを大幅に低減する構成を同定する。 様々な難易度、階段、ボックス、ギャップを含む地形における総合的な実験により、各コンポーネントが補完的かつ不可欠なパフォーマンス向上を達成し、完全なフレームワークが100%のトラバース成功率を達成することを実証した。 我々は、トレーニングパイプライン、パラメトリック歩行生成器、評価ベンチマークを含む完全なPRIORフレームワークをオープンソース化し、Isaac Labにおけるヒューマノイド運動研究の再現可能な基盤として機能する。

関連論文リスト

• Towards Generalizable Visually Grounded Exploration of Household Devices [74.66117923766632]
  汎用的な自律的実施エージェントを実現する上でのボトルネックは、Generalizable Visually Grounded Explorationにある。 VGEBenchは、視覚言語モデルの一般化可能な視野探索能力を評価するために設計されたベンチマークである。 静的なデータセットとは異なり、我々はLogic-Driven State Machineフレームワークを構築している。このフレームワークは多ターンインタラクションループをシミュレートし、アクティブな視覚知覚とフィードバック駆動の修正によって目標を達成するエージェントを説得する。
  論文  参考訳（メタデータ） (2026-09-01T07:42:45Z)
• Mind Your Steps: A General Learning Framework for Accurate Humanoid Foothold Tracking [78.30338456206984]
  本稿では,汎用3D足場追跡ポリシーをトレーニングするための新しいフレームワークを提案する。 本手法は, 目標検層による足場支援を動的に行うことにより, 学習方針を特定の地形に依存しないものにする。 我々の新しいターゲット表現は、雑音や不正確なポーズ推定や足の接触推定といった現実の課題を効果的に緩和する。
  論文  参考訳（メタデータ） (2026-06-06T16:44:56Z)
• CReF: Cross-modal and Recurrent Fusion for Depth-conditioned Humanoid Locomotion [6.2747272941647045]
  本稿では,CreF (Cross-modal and Recurrent Fusion) を提案する。 CReFは、明示的な幾何学的中間体を使わずに、生の前方深度から直接移動関連特徴を学習する。
  論文  参考訳（メタデータ） (2026-03-31T08:56:29Z)
• Perception-Aware Autonomous Exploration in Feature-Limited Environments [9.046854275196605]
  ステレオ搭載無人航空機(UAV)のための階層的知覚認識探索フレームワークを提案する。 提案手法は,グローバルな特徴マップを用いて,各候補フロンティアと期待される特徴品質を関連付け,視覚的に有意なサブゴールを優先する。 提案手法は,特徴品質を無視し,かつ連続ヨーを最適化しないベースラインと比較して,より信頼性の高い特徴追跡を維持でき,ドリフトを低減でき,また,オドメトリ誤差が特定の閾値を超える前に平均30%高いカバレッジを達成できる。
  論文  参考訳（メタデータ） (2026-03-16T17:55:56Z)
• Robometer: Scaling General-Purpose Robotic Reward Models via Trajectory Comparisons [69.87766750714945]
  汎用ロボット報酬モデルは通常、専門家によるデモンストレーションから絶対的なタスク進捗を予測するために訓練される。 本稿では、軌道内進行監視と軌道間優先監視を組み合わせたスケーラブルな報酬モデリングフレームワークRobometerを紹介する。 ロビオメーターは、専門家データに報酬等級を固定するフレームレベルのプログレス・ロスと、グローバルな順序制約を課す軌跡比較優先損失という2つの目的で訓練されている。
  論文  参考訳（メタデータ） (2026-03-02T17:38:58Z)
• Universal Pose Pretraining for Generalizable Vision-Language-Action Policies [83.39008378156647]
  既存のVision-Language-Action(VLA)モデルは、しばしば機能崩壊と訓練効率の低下に悩まされる。 本稿では,VLAトレーニングを3次元空間前駆体抽出のための事前学習フェーズに分離する,分離されたパラダイムであるPose-VLAを提案する。 我々のフレームワークは2段階の事前学習パイプラインに従い、ポーズと動きのアライメントによる基本的な空間接地を確立する。
  論文  参考訳（メタデータ） (2026-02-23T11:00:08Z)
• 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)
• 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)
• Open-World Drone Active Tracking with Goal-Centered Rewards [62.21394499788672]
  Drone Visual Active Trackingは、視覚的な観察に基づいてモーションシステムを制御することで、対象物を自律的に追跡することを目的としている。 DATは,世界初となるエア・ツー・グラウンド・トラッキング・ベンチマークである。 また,複雑なシナリオにおけるドローン追跡目標の性能向上を目的としたGC-VATを提案する。
  論文  参考訳（メタデータ） (2024-12-01T09:37:46Z)
• WildGEN: Long-horizon Trajectory Generation for Wildlife [3.8986045286948]
  軌道生成は歩行者、車両、野生動物の運動研究において重要な関心事である。 本研究では,変分オートエンコーダ(VAE)に基づく手法を用いて,この問題に対処する概念的フレームワークWildGENを紹介する。 その後、スムーズなフィルタに基づいて生成された軌跡の後の処理工程を行い、過度のさまよりを低減する。
  論文  参考訳（メタデータ） (2023-12-30T05:08:28Z)
• DTC: Deep Tracking Control [16.2850135844455]
  本研究では,両世界の強靭性,フット配置精度,地形の一般化を両世界の利点と組み合わせたハイブリッド制御アーキテクチャを提案する。 深層ニューラルネットワークポリシは、最適化された足場を追跡することを目的として、シミュレーションでトレーニングされている。 モデルベースに比べて滑りやすい地盤や変形可能な地盤が存在する場合の強靭性を示す。
  論文  参考訳（メタデータ） (2023-09-27T07:57:37Z)
• Monocular BEV Perception of Road Scenes via Front-to-Top View Projection [57.19891435386843]
  本稿では,鳥の目視で道路配置と車両占有率によって形成された局所地図を再構築する新しい枠組みを提案する。 我々のモデルは1つのGPU上で25FPSで動作し、リアルタイムパノラマHDマップの再構築に有効である。
  論文  参考訳（メタデータ） (2022-11-15T13:52:41Z)
• Towards Scale Consistent Monocular Visual Odometry by Learning from the Virtual World [83.36195426897768]
  仮想データから絶対スケールを取得するための新しいフレームワークであるVRVOを提案する。 まず、モノクロ実画像とステレオ仮想データの両方を用いて、スケール対応の異種ネットワークをトレーニングする。 結果として生じるスケール一貫性の相違は、直接VOシステムと統合される。
  論文  参考訳（メタデータ） (2022-03-11T01:51:54Z)
• Landmark Policy Optimization for Object Navigation Task [77.34726150561087]
  本研究は,未確認環境において,与えられたセマンティックカテゴリに関連する最も近いオブジェクトにナビゲートするオブジェクトゴールナビゲーションタスクについて研究する。 最近の研究は、エンドツーエンドの強化学習アプローチとモジュールシステムの両方において大きな成果を上げていますが、堅牢で最適なものにするには大きな前進が必要です。 本稿では,これらのランドマークを抽出する手法として,標準的なタスクの定式化とランドマークとしての付加的な地域知識を取り入れた階層的手法を提案する。
  論文  参考訳（メタデータ） (2021-09-17T12:28:46Z)

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。