Fugu-MT 論文翻訳(概要): CART: Context-Aware Terrain Adaptation using Temporal Sequence Selection for Legged Robots

論文の概要: CART: Context-Aware Terrain Adaptation using Temporal Sequence Selection for Legged Robots

arxiv url: http://arxiv.org/abs/2604.14344v1
Date: Wed, 15 Apr 2026 18:52:50 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-17 21:29:30.000159
Title: CART: Context-Aware Terrain Adaptation using Temporal Sequence Selection for Legged Robots
Title（参考訳）: CART:脚ロボットの時系列選択を用いた文脈対応地形適応
Authors: Kartikeya Singh, Youngjin Kim, Yash Turkar, Karthik Dantu,
Abstract要約: 我々は、文脈対応地形適応アプローチに基づいて構築された高レベルコントローラであるCARTを紹介する。 CARTは、地形の堅牢な理解を達成するために、オンボードセンシングからのプロトリオセプションと外部セプションを統合している。本研究では,IsaacSimシミュレータ上でのANYmal-CロボットとBoston Dynamics SPOTロボットを用いた実環境実験を行った。
参考スコア（独自算出の注目度）: 10.100808140090315
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Animals in nature combine multiple modalities, such as sight and feel, to perceive terrain and develop an understanding of how to walk on uneven terrain in a stable manner. Similarly, legged robots need to develop their ability to stably walk on complex terrains by developing an understanding of the relationship between vision and proprioception. Most current terrain adaptation methods are susceptible to failure on complex, off-road terrain as they rely on prior experience, particularly observations from a vision sensor. This experience-based learning often creates a Visual-Texture Paradox between what has been seen and how it actually feels. In this work, we introduce CART, a high-level controller built on a context-aware terrain adaptation approach that integrates proprioception and exteroception from onboard sensing to achieve a robust understanding of terrain. We evaluate our method on multiple terrains using an ANYmal-C robot on the IsaacSim simulator and a Boston Dynamics SPOT robot for our real-world experiments. To evaluate the learned contextual terrain properties, we adapt vibrational stability on the base of the robot as a metric. We compare CART with various state-of-the-art baselines equipped with multimodal sensing in both simulation and the real world. CART achieves an average success rate improvement of 5% over all baselines in simulation and improves the overall stability up to 45% and 24% in the real world without increasing the time taken by the robot to accomplish locomotion tasks.
Abstract（参考訳）: 自然界の動物は、視覚や感覚などの複数のモードを組み合わせることで、地形を知覚し、不均一な地形を安定的に歩く方法を理解する。同様に、脚のあるロボットは、視覚と受容の関係を理解することによって、複雑な地形を安定して歩ける能力を開発する必要がある。現在の地形適応法のほとんどは、以前の経験、特に視覚センサーからの観測に依存するため、複雑なオフロード地形で失敗するおそれがある。この経験に基づく学習は、見てきたものと実際に感じているものの間に、しばしばビジュアル・テクスチュア・パラドックスを生み出します。本研究では,環境に配慮した地形適応手法に基づく高レベルコントローラであるCARTを紹介した。本研究では,IsaacSimシミュレータ上でのANYmal-CロボットとBoston Dynamics SPOTロボットを用いた実環境実験を行った。学習した文脈地形特性を評価するため,ロボットの基盤に振動安定性を指標として適応させる。我々はCARTをシミュレーションと実世界の両方でマルチモーダルセンシングを備えた様々な最先端のベースラインと比較する。 CARTは、シミュレーションにおけるすべてのベースラインの平均成功率を5%向上させ、ロボットが移動タスクを達成するのに要する時間を増大させることなく、実際の世界で全体の安定性を45%と24%に向上させる。

関連論文リスト

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)
Optimizing Grasping in Legged Robots: A Deep Learning Approach to Loco-Manipulation [0.6533458718563319]
本稿では,腕を備えた四足歩行の把握能力を高めるための枠組みを提案する。そこで我々は,ジェネシスシミュレーション環境内にパイプラインを構築し,共通物体の把握試行の合成データセットを生成する。このデータセットは、オンボードのRGBとディープカメラからのマルチモーダル入力を処理するU-Netのようなアーキテクチャで、カスタムCNNのトレーニングに使用された。四脚ロボットの完全な枠組みを検証した。
論文参考訳（メタデータ） (2025-08-24T17:47:56Z)
PALo: Learning Posture-Aware Locomotion for Quadruped Robots [29.582249837902427]
本稿では,姿勢認識型移動ロボットPALoのエンド・ツー・エンド深部強化学習フレームワークを提案する。 PALoは、直線速度と角速度の同時追跡と、体高、ピッチ、ロール角度のリアルタイム調整を行う。 PALoは、シミュレートされた環境でアジャイルな姿勢認識ロコモーションコントロールを実現し、微調整なしで実世界の設定に転送することに成功した。
論文参考訳（メタデータ） (2025-03-06T14:13:59Z)
Learning to enhance multi-legged robot on rugged landscapes [7.956679144631909]
多足ロボットは、頑丈な風景をナビゲートするための有望なソリューションを提供する。近年の研究では、線形制御器が挑戦的な地形上で信頼性の高い移動性を確保することが示されている。我々は,このロボットプラットフォームに適した MuJoCo ベースのシミュレータを開発し,シミュレーションを用いて強化学習に基づく制御フレームワークを開発する。
論文参考訳（メタデータ） (2024-09-14T15:53:08Z)
Robot Learning with Sensorimotor Pre-training [98.7755895548928]
ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
論文参考訳（メタデータ） (2023-06-16T17:58:10Z)
How Does It Feel? Self-Supervised Costmap Learning for Off-Road Vehicle Traversability [7.305104984234086]
オフロード環境における地形の移動性の推定には、ロボットとこれらの地形の間の複雑な相互作用のダイナミクスを推論する必要がある。本研究では,外外環境情報と固有地形相互作用フィードバックを組み合わせることで,トラバーサビリティのコストマップを予測する手法を提案する。
論文参考訳（メタデータ） (2022-09-22T05:18:35Z)
A Walk in the Park: Learning to Walk in 20 Minutes With Model-Free Reinforcement Learning [86.06110576808824]
深層強化学習は、制御されていない環境での学習ポリシーに対する有望なアプローチである。機械学習アルゴリズムとライブラリの最近の進歩と、慎重に調整されたロボットコントローラを組み合わせることで、現実世界では4分で学習できる。
論文参考訳（メタデータ） (2022-08-16T17:37:36Z)
Learning Semantics-Aware Locomotion Skills from Human Demonstration [35.996425893483796]
四足歩行ロボットの知覚からセマンティクスを意識したロコモーションスキルを学習するフレームワークを提案する。本フレームワークは,認識された地形意味に基づいてロボットの速度と歩行を調整し,失敗することなく6km以上歩けるようにする。
論文参考訳（メタデータ） (2022-06-27T21:08:03Z)
Sim-to-Real Transfer for Vision-and-Language Navigation [70.86250473583354]
本研究では,従来は目に見えなかった環境下でロボットを解放し,制約のない自然言語ナビゲーション指示に従うという課題について検討する。 VLN(Vision-and-Language Navigation)の課題に関する最近の研究は、シミュレーションにおいて大きな進歩を遂げている。ロボット工学における本研究の意義を評価するため,シミュレーションで訓練されたVLNエージェントを物理ロボットに転送する。
論文参考訳（メタデータ） (2020-11-07T16:49:04Z)
Point Cloud Based Reinforcement Learning for Sim-to-Real and Partial Observability in Visual Navigation [62.22058066456076]
強化学習(Reinforcement Learning, RL)は、複雑なロボットタスクを解決する強力なツールである。 RL は sim-to-real transfer problem として知られる現実世界では直接作用しない。本稿では,点雲と環境ランダム化によって構築された観測空間を学習する手法を提案する。
論文参考訳（メタデータ） (2020-07-27T17:46:59Z)
SAPIEN: A SimulAted Part-based Interactive ENvironment [77.4739790629284]
SAPIENは現実的で物理に富んだシミュレートされた環境であり、音声オブジェクトのための大規模なセットをホストしている。部品検出と動作特性認識のための最先端の視覚アルゴリズムの評価を行い,ロボットインタラクションタスクの実証を行った。
論文参考訳（メタデータ） (2020-03-19T00:11:34Z)

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。