論文の概要: LatentMimic: Terrain-Adaptive Locomotion via Latent Space Imitation

• arxiv url: http://arxiv.org/abs/2604.16440v1
• Date: Tue, 07 Apr 2026 03:49:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:14.001203
• Title: LatentMimic: Terrain-Adaptive Locomotion via Latent Space Imitation
• Title（参考訳）: LatentMimic:Latent SpaceimitationによるTerrin-Adaptive Locomotion
• Abstract要約: 幾何学的制約からスタイリスティックな忠実さを分離する新しい移動学習フレームワークであるLatntMimicを紹介する。 政策の状態-行動分布と学習モキャップとの差を最小化することにより、厳密なポーズ追跡目的の条件付き緩和を提供する。 提案手法を4つの移動スタイルと4つの地形にまたがって検証し,LatentMimicが効果的な地形適応型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）: 22.247608050046125
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Developing natural and diverse locomotion controllers for quadruped robots that can adapt to complex terrains while preserving motion style remains a significant challenge. Existing imitation-based methods face a fundamental optimization trade-off: strict adherence to motion capture (mocap) references penalizes the geometric deviations required for terrain adaptability, whereas terrain-centric policies often compromise stylistic fidelity. We introduce LatentMimic, a novel locomotion learning framework that decouples stylistic fidelity from geometric constraints. By minimizing the marginal latent divergence between the policy's state-action distribution and a learned mocap prior, our approach provides a conditional relaxation of rigid pose-tracking objectives. This formulation preserves gait topology while permitting independent end-effector adaptations for irregular terrains. We further introduce a terrain adaptation module with a dynamic replay buffer to resolve the policy's distribution shifts across different terrains. We validate our method across four locomotion styles and four terrains, demonstrating that LatentMimic enables effective terrain-adaptive locomotion, achieving higher terrain traversal success rates than state-of-the-art motion-tracking methods while maintaining high stylistic fidelity.
• Abstract（参考訳）: 運動スタイルを維持しながら複雑な地形に適応できる四足歩行ロボットのための自然で多様な移動制御器の開発は、依然として大きな課題である。 モーションキャプチャ(モキャップ)参照への厳密な固執は地形適応性に必要な幾何学的偏差を罰する一方、地形中心のポリシーはスタイリスティックな忠実さを損なう。 幾何学的制約からスタイリスティックな忠実さを分離する新しい移動学習フレームワークであるLatntMimicを紹介する。 政策の状態-行動分布と学習モキャップとの差を最小化することにより、厳密なポーズ追跡目的の条件付き緩和を提供する。 この定式化は、不規則な地形に対する独立したエンドエフェクター適応を許容しながら、歩行トポロジーを保存する。 さらに、動的リプレイバッファを備えた地形適応モジュールを導入し、異なる地形にまたがる政策の分布シフトを解消する。 提案手法は4つの移動スタイルと4つの地形にまたがって検証し,LatentMimicが有効な地形適応型移動を可能にすることを示す。

関連論文リスト

• MILD: Tractable Terrain Modeling for Learning Improved Bipedal Locomotion on Deformable Surfaces [27.312811759047023]
  物理地上の離散要素接触解法を特徴とするMILDについて述べる。 我々は、深い強化学習を通して地形認識コントローラを訓練する。 本システムでは,様々な表面硬さのオンライン識別と適応性を実証する。
  論文  参考訳（メタデータ） (2026-08-20T12:24:34Z)
• AutoPath: Learning Transferable Goal-Conditioned Stochastic Path Prior for Safe Navigation Without Human Demonstrations [103.61864552260316]
  動的環境におけるリアルタイムナビゲーションは、限られた知覚下での衝突のない、動的に実現可能な動きを必要とする。 我々は,移動可能な目標整合経路の学習としてナビゲーションを定式化し,局所的な観測に基づいて,目標整合な局所経路上の再利用可能な分布をモデル化する。 我々は、幾何対応の極性行動多様体を用いて局所経路をパラメータ化し、安定かつ安全対応の計画のためのマルチゴール分散ロールアウトによるリスク感応性ユーティリティシェーピングを含む構造化された事前学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-07-13T16:00:41Z)
• 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)
• T-GMP: Terrain-conditioned Generative Motion Priors for Versatile and Natural Humanoid Locomotion [10.258225375602231]
  本稿では,地形条件付き潜伏運動多様体を,いくつかの専門的状態テランの実証から捉えるモジュールを提案する。 学習された事前はスムーズなスタイルの遷移を可能にし、地形の変化に対応する統一されたポリシーを促進する。 我々は,T-GMPを対向的な学習パイプラインに統合し,その際,識別器が局所地形の特徴を考慮に入れた自然性制約を動的に調節する足場刑法を提案する。
  論文  参考訳（メタデータ） (2026-06-05T06:15:42Z)
• CoRe-MoE: Contrastive Reweighted Mixture of Experts for Multi-Terrain Humanoid Locomotion with Gait Adaptation [18.803751724563448]
  地形適応から歩行生成を分離する2段階強化学習フレームワークであるCoRe-MoEを提案する。 最初の段階では、安定な移動ポリシーが学習され、スムーズな遷移を伴う自然な歩行行動と走行行動が生み出される。 第2段階では、地形を意識したMoE分岐を導入し、このゲーティングネットワークは、構造された地形表現を学習するための対照的な目的で訓練される。
  論文  参考訳（メタデータ） (2026-06-03T10:51:46Z)
• 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)
• Learning Terrain-Specialized Policies for Adaptive Locomotion in Challenging Environments [0.4588028371034407]
  この研究は、地形に特化されたポリシーとカリキュラムの学習を活用して、複雑な環境での俊敏性を高め、パフォーマンスを追跡する階層的な強化学習フレームワークを導入する。 本研究では,本手法をシミュレーションで検証し,本手法は成功率を最大16%向上させ,速度目標の増大とともに追従誤差の低減を図る。
  論文  参考訳（メタデータ） (2025-09-25T00:17:39Z)
• Multi-Agent Path Finding in Continuous Spaces with Projected Diffusion Models [57.45019514036948]
  MAPF(Multi-Agent Path Finding)は、ロボット工学における基本的な問題である。 連続空間におけるMAPFの拡散モデルと制約付き最適化を統合する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-12-23T21:27:19Z)
• SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
  制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。 提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。 複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
  論文  参考訳（メタデータ） (2023-12-31T04:14:43Z)
• 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)
• First Steps: Latent-Space Control with Semantic Constraints for Quadruped Locomotion [73.37945453998134]
  従来の四重化制御のアプローチでは、単純化された手作りのモデルが採用されている。 これにより、有効な運動範囲が縮小されているため、ロボットの能力が大幅に低下する。 この研究において、これらの課題は、構造化潜在空間における最適化として四重化制御をフレーミングすることによって解決される。 深い生成モデルは、実現可能な関節構成の統計的表現を捉え、一方、複雑な動的および終端的制約は高レベルな意味的指標によって表現される。 実世界とシミュレーションの両方で最適化された移動軌跡の実現可能性を検証する。
  論文  参考訳（メタデータ） (2020-07-03T07:04:18Z)

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。