論文の概要: Switch: Learning Agile Skills Switching for Humanoid Robots
- arxiv url: http://arxiv.org/abs/2604.14834v1
- Date: Thu, 16 Apr 2026 10:11:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-17 21:29:31.836978
- Title: Switch: Learning Agile Skills Switching for Humanoid Robots
- Title（参考訳）: Switch: ヒューマノイドロボットのためのアジャイルスキルのスイッチ
- Authors: Yuen-Fui Lau, Qihan Zhao, Yinhuai Wang, Runyi Yu, Hok Wai Tsui, Qifeng Chen, Ping Tan,
- Abstract要約: 階層的なマルチスキルシステムであるSwitchを導入し、いつでもシームレスなスキル移行を可能にします。
提案手法は,(1)マルチスキル動作データ内の運動の類似性に基づいて,潜在的なクロススキル遷移を確立するスキルグラフ,(2)深い強化学習を通じて,このスキルグラフ上で訓練された全身追跡ポリシー,(3)堅牢なスキル実行とスムーズな移行のためのトラッキングポリシを駆動するオンラインスキルスケジューラの3つの重要な構成要素から構成される。
- 参考スコア（独自算出の注目度）: 62.14433450799811
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Recent advancements in whole-body control through deep reinforcement learning have enabled humanoid robots to achieve remarkable progress in real-world chal lenging locomotion skills. However, existing approaches often struggle with flexible transitions between distinct skills, cre ating safety concerns and practical limitations. To address this challenge, we introduce a hierarchical multi-skill system, Switch, enabling seamless skill transitions at any moment. Our approach comprises three key components: (1) a Skill Graph (SG) that establishes potential cross-skill transitions based on kinematic similarity within multi-skill motion data, (2) a whole-body tracking policy trained on this skill graph through deep reinforcement learning, and (3) an online skill scheduler to drive the tracking policy for robust skill execution and smooth transitions. For skill switching or significant tracking deviations, the scheduler performs online graph search to find the optimal feasible path, which ensures efficient, stable, and real-time execution of diverse locomotion skills. Comprehensive experiments demonstrate that Switch empowers humanoid to execute agile skill transitions with high success rates while maintaining strong motion imitation performance.
- Abstract（参考訳）: 近年の深部強化学習による全身制御の進歩により、ヒューマノイドロボットは現実のチャル・レンジング・ロコモーションスキルの顕著な進歩を達成できた。
しかし、既存のアプローチは、異なるスキル、確実な安全上の懸念、実践的な制限の間の柔軟な移行に悩まされることが多い。
この課題に対処するため、我々は階層型マルチスキルシステムであるSwitchを導入し、いつでもシームレスなスキル移行を可能にする。
提案手法は,(1)多スキル動作データ内の運動の類似性に基づく潜在的なクロススキル遷移を確立するスキルグラフ(SG),(2)このスキルグラフに基づいて深層強化学習を通じて訓練された全身追跡ポリシー,(3)堅牢なスキル実行とスムーズな移行のためのトラッキングポリシーを駆動するオンラインスキルスケジューラの3つの重要な構成要素から構成される。
スキルスイッチングや重要なトラッキング逸脱を行うため、スケジューラはオンライングラフ検索を行い、最適な実現可能なパスを見つけ、多様な移動スキルの効率、安定性、リアルタイム実行を保証する。
総合的な実験では、Switchがヒューマノイドに、高い成功率でアジャイルスキル移行を実行する権限を与えながら、強い動作模倣性能を維持していることが示されている。
関連論文リスト
- Dynamic Contrastive Skill Learning with State-Transition Based Skill Clustering and Dynamic Length Adjustment [14.458170645422564]
本稿では,スキル表現と学習を再定義する新しいフレームワークである動的コントラストスキル学習(DCSL)を提案する。
DCSLは、状態遷移に基づくスキル表現、スキル類似度関数学習、動的スキル長調整の3つの主要なアイデアを導入している。
提案手法は,特に複雑なデータセットやノイズの多いデータセットにおいて,より柔軟で適応的なスキル抽出を可能にし,既存のタスク完了と効率の手法と比較して,競争力のある性能を示す。
論文 参考訳（メタデータ） (2025-04-21T02:11:39Z) - 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 and Adapting Agile Locomotion Skills by Transferring Experience [71.8926510772552]
本稿では,既存のコントローラから新しいタスクを学習するために経験を移譲することで,複雑なロボティクススキルを訓練するためのフレームワークを提案する。
提案手法は,複雑なアジャイルジャンプ行動の学習,後肢を歩いたまま目標地点への移動,新しい環境への適応を可能にする。
論文 参考訳（メタデータ） (2023-04-19T17:37:54Z) - Legs as Manipulator: Pushing Quadrupedal Agility Beyond Locomotion [34.33972863987201]
我々は四足歩行ロボットを訓練し、前脚を使って壁を登り、ボタンを押し、現実世界でオブジェクトインタラクションを行う。
これらのスキルはカリキュラムを用いてシミュレーションで訓練され,提案したsim2real 変種を用いて実世界へ移行する。
我々は,本手法をシミュレーションと実世界の双方で評価し,短距離および長距離のタスクの実行を成功させたことを示す。
論文 参考訳（メタデータ） (2023-03-20T17:59:58Z) - Robust and Versatile Bipedal Jumping Control through Reinforcement
Learning [141.56016556936865]
この研究は、トルク制御された二足歩行ロボットが実世界で頑丈で多目的なダイナミックジャンプを行えるようにすることで、二足歩行ロボットの機敏さの限界を推し進めることを目的としている。
本稿では,ロボットが様々な場所や方向へジャンプするなど,さまざまなジャンプタスクを達成するための強化学習フレームワークを提案する。
我々は,ロボットの長期入出力(I/O)履歴を符号化し,短期I/O履歴への直接アクセスを可能にする新しいポリシー構造を開発する。
論文 参考訳（メタデータ） (2023-02-19T01:06:09Z) - Learning Agile Robotic Locomotion Skills by Imitating Animals [72.36395376558984]
動物の多様でアジャイルな運動スキルを再現することは、ロボット工学における長年の課題である。
そこで本研究では,現実世界の動物を模倣することで,足のロボットがアジャイルな運動能力を学ぶことができる模倣学習システムを提案する。
論文 参考訳（メタデータ） (2020-04-02T02:56:16Z)
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。