論文の概要: HALO: Hybrid Auto-encoded Locomotion with Learned Latent Dynamics, Poincaré Maps, and Regions of Attraction

• arxiv url: http://arxiv.org/abs/2604.18887v1
• Date: Mon, 20 Apr 2026 22:09:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.525536
• Title: HALO: Hybrid Auto-encoded Locomotion with Learned Latent Dynamics, Poincaré Maps, and Regions of Attraction
• Title（参考訳）: HALO:学習された潜在ダイナミクス,ポアンカレマップ,およびアトラクション領域を備えたハイブリッド自動符号化ロコモーション
• Authors: Blake Werner, Sergio A. Esteban, Massimiliano De Sa, Max H. Cohen, Aaron D. Ames,
• Abstract要約: HALO (Hybrid Auto-encoded Locomotion) は、軌道データから直接周期的ハイブリッド力学の潜在最小次モデルを学習するためのフレームワークである。 オートエンコーダを使用して低次元の潜伏状態と学習された潜伏ポアンカレマップを識別し、ステップ・ツー・ステップの移動ダイナミクスをキャプチャする。 模擬ホッピングロボットとフルボディヒューマノイドロコモーションの実験により、HALOは意味のある安定性構造を保持し、全次元領域の抽出境界を予測できる低次元モデルが得られることを示した。
• 参考スコア（独自算出の注目度）: 16.586886754318595
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reduced-order models are powerful for analyzing and controlling high-dimensional dynamical systems. Yet constructing these models for complex hybrid systems such as legged robots remains challenging. Classical approaches rely on hand-designed template models (e.g., LIP, SLIP), which, though insightful, only approximate the underlying dynamics. In contrast, data-driven methods can extract more accurate low-dimensional representations, but it remains unclear when stability and safety properties observed in the latent space meaningfully transfer back to the full-order system. To bridge this gap, we introduce HALO (Hybrid Auto-encoded Locomotion), a framework for learning latent reduced-order models of periodic hybrid dynamics directly from trajectory data. HALO employs an autoencoder to identify a low-dimensional latent state together with a learned latent Poincaré map that captures step-to-step locomotion dynamics. This enables Lyapunov analysis and the construction of an associated region of attraction in the latent space, both of which can be lifted back to the full-order state space through the decoder. Experiments on a simulated hopping robot and full-body humanoid locomotion demonstrate that HALO yields low-dimensional models that retain meaningful stability structure and predict full-order region-of-attraction boundaries.
• Abstract（参考訳）: 還元次モデルは高次元力学系の解析と制御に強力である。 しかし、脚付きロボットのような複雑なハイブリッドシステムのためにこれらのモデルを構築することは依然として困難である。 古典的なアプローチは手設計のテンプレートモデル(例えば、LIP、SLIP)に依存している。 対照的に、データ駆動法はより正確な低次元表現を抽出することができるが、潜在空間で観測された安定性と安全性がフルオーダーシステムに有意に戻すかどうかは不明である。 このギャップを埋めるために、軌道データから直接周期的ハイブリッド力学の潜在最小次モデルを学習するフレームワークHALO(Hybrid Auto-encoded Locomotion)を導入する。 HALOはオートエンコーダを用いて低次元の潜伏状態と、ステップ・ツー・ステップの移動ダイナミクスをキャプチャする学習された潜伏ポアンカレマップを識別する。 これにより、リアプノフ解析と潜在空間におけるアトラクションの関連領域の構築が可能となり、どちらもデコーダを通して全順序状態空間に持ち上げることができる。 模擬ホッピングロボットとフルボディヒューマノイドロコモーションの実験は、HALOが意味のある安定性構造を保持し、全順序領域の抽出境界を予測する低次元モデルを生成することを示した。

関連論文リスト

• Physics-informed Deep Mixture-of-Koopmans Vehicle Dynamics Model with Dual-branch Encoder for Distributed Electric-drive Trucks [19.506735422845182]
  複合分散電動車(DET)に適したデータ駆動動的モデリング手法を提案する。 まず、動的状態を符号化し、KODEと題するクープマン方式の強力な基盤を提供する新しいデュアルブランチエンコーダを提案する。 エンコーダとクープマン演算子の両方の効果的な学習を容易にするために、物理インフォームド監視機構をトレーニングプロセスに組み込む。
  論文  参考訳（メタデータ） (2026-03-18T06:47:40Z)
• When Rolling Gets Weird: A Curved-Link Tensegrity Robot for Non-Intuitive Behavior [0.6372261626436676]
  本研究では,半円形で湾曲した張力ロボットによる解を提案する。 このロボットは、効率的なローリングロコモーションと制御された安定性のバランスを保ち、アークエンドポイントにおける不連続によって実現される。 予備的な衝撃試験では、引張構造の固有の衝撃吸収能力と適合性を強調している。
  論文  参考訳（メタデータ） (2026-03-17T13:30:33Z)
• Scalable Spatio-Temporal SE(3) Diffusion for Long-Horizon Protein Dynamics [51.85385061275941]
  分子動力学(MD)シミュレーションは、タンパク質動力学研究のゴールドスタンダードのままである。 近年の生成モデルではシミュレーションの加速が期待できるが、長軸生成に苦慮している。 物理的に可塑性なタンパク質軌道をマイクロスケールの時間スケールで生成する拡張拡散モデルSTAR-MDを提案する。
  論文  参考訳（メタデータ） (2026-02-02T14:13:28Z)
• Contact-Implicit Modeling and Simulation of a Snake Robot on Compliant and Granular Terrain [0.0]
  本論文は,COBRAヘビロボットの横巻き及び転動動作を解析するための統一モデリングおよびシミュレーションフレームワークを提案する。 サイドウインド中の分散摩擦相互作用をモデル化するために、接触-単純定式化が用いられる。 急勾配での高エネルギー転がり移動には、クロノDEMエンジンが粒子と粒子の相互作用をシミュレートするために用いられる。
  論文  参考訳（メタデータ） (2025-12-04T17:20:32Z)
• Beyond Ensembles: Simulating All-Atom Protein Dynamics in a Learned Latent Space [4.5211402678313135]
  LD-FPGの学習潜在空間内でのダイナミクスをシミュレーションするモジュールコンポーネントであるGraph Latent Dynamics Propagator (GLDP)を紹介する。 我々は,スコア誘導ランゲヴィン力学,(ii)クープマンに基づく線形作用素,(iii)自己回帰ニューラルネットワークの3種類のプロパゲータを比較した。 統合エンコーダ・プロパゲータ・デコーダ・フレームワーク内では、長い水平安定性、バックボーンとサイドチェーンのアンサンブルの忠実さ、機能的自由エネルギーの景観を評価する。
  論文  参考訳（メタデータ） (2025-09-02T11:09:06Z)
• Symbolic Learning of Interpretable Reduced-Order Models for Jumping Quadruped Robots [2.7999421589911164]
  本稿では,特にジャンプのための解釈可能な動的モデルを導出するための新しい手法を提案する。 我々は,SINDy(Sparse Identification of Dynamics)とジャンプダイナミクスの物理構造的先行性を組み合わせた学習アーキテクチャを提案することにより,低次元潜在空間における高次元非線形ジャンプダイナミクスを捉える。
  論文  参考訳（メタデータ） (2025-08-04T12:33:51Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• 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)
• Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
  データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。 ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。 ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
  論文  参考訳（メタデータ） (2022-04-09T22:07:34Z)

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。