論文の概要: EFGCL: Learning Dynamic Motion through Spotting-Inspired External Force Guided Curriculum Learning

• arxiv url: http://arxiv.org/abs/2605.10063v1
• Date: Mon, 11 May 2026 06:39:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.578657
• Title: EFGCL: Learning Dynamic Motion through Spotting-Inspired External Force Guided Curriculum Learning
• Title（参考訳）: EFGCL:スポッティングインスパイアされた外力誘導カリキュラム学習による動的運動の学習
• Authors: Keita Yoneda, Kento Kawaharazuka, Kei Okada,
• Abstract要約: EFGCL(External Force Guided Curriculum Learning)は、物理指導の原理に基づく強化学習手法である。 EFGCLは、タスク固有の報酬形成や参照軌跡に頼ることなく、エージェントが成功した動作の実行を物理的に経験することを可能にする。
• 参考スコア（独自算出の注目度）: 13.919694566467053
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning dynamic whole-body motions for legged robots through reinforcement learning (RL) remains challenging due to the high risk of failure, which makes efficient exploration difficult and often leads to unstable learning. In this paper, we propose External Force Guided Curriculum Learning (EFGCL), a guided RL approach based on the principle of physical guidance, in which external assistive forces are introduced during training. Inspired by spotting in artistic gymnastics, EFGCL enables agents to physically experience successful motion executions without relying on task-specific reward shaping or reference trajectories. Experiments on a quadrupedal robot performing Jump, Backflip, and Lateral-Flip tasks demonstrate that EFGCL accelerates learning of the Jump task by approximately a factor of two and enables the acquisition of complex whole body motions that conventional RL methods fail to learn. We further show that the learned policies can be deployed on real robot, reproducing motions consistent with those observed in simulation. These results indicate that physically guided exploration, which allows agents to experience success early in training, is an effective and general strategy for improving learning efficiency in dynamic whole-body motion tasks.
• Abstract（参考訳）: 強化学習(RL)による脚付きロボットの動的全身運動の学習は、効率的な探索を困難にし、しばしば不安定な学習につながる失敗のリスクが高いため、依然として困難である。 本稿では,外力指導カリキュラム学習(EFGCL)を提案する。 EFGCLは、芸術体操にインスパイアされたエージェントが、タスク固有の報酬形成や基準軌跡に頼ることなく、身体的に成功した運動の実行を体験することを可能にする。 Jump, Backflip, Lateral-Flipタスクを実行する四足歩行ロボットの実験は、EFGCLがJumpタスクの学習を約2倍加速し、従来のRL手法では学習できない複雑な全身運動の取得を可能にすることを示した。 さらに,学習したポリシーを実ロボットに展開し,シミュレーションで観察された動作と一致した動作を再現できることも示す。 これらの結果は、エージェントが訓練の早い段階で成功を経験できる物理的指導による探索が、動的な全身運動タスクにおける学習効率を向上させるための効果的で一般的な戦略であることを示唆している。

関連論文リスト

• Demonstration-Guided Continual Reinforcement Learning in Dynamic Environments [8.818727691237656]
  強化学習(RL)は様々な応用において優れているが、基礎となるマルコフ決定プロセスが進化する動的な環境では苦戦している。 本稿では,実証誘導型連続強化学習(DGCRL)を提案する。 2次元ナビゲーションとMuJoCo移動タスクの実験は、その平均性能、知識伝達の強化、忘れの軽減、トレーニング効率を実証している。
  論文  参考訳（メタデータ） (2025-12-21T10:13:21Z)
• Precise and Dexterous Robotic Manipulation via Human-in-the-Loop Reinforcement Learning [47.785786984974855]
  本稿では,多種多様な操作タスクに対して印象的な性能を示す,ループ内視覚に基づくRLシステムを提案する。 提案手法では,実証と人間の修正,効率的なRLアルゴリズム,その他のシステムレベルの設計選択を統合してポリシを学習する。 提案手法は,再現学習のベースラインと先行RLアプローチを著しく上回り,成功率の平均2倍,実行速度1.8倍に向上した。
  論文  参考訳（メタデータ） (2024-10-29T08:12:20Z)
• RILe: Reinforced Imitation Learning [60.63173816209543]
  RILe(Reinforced Learning)は、模倣学習と逆強化学習の強みを組み合わせて、高密度報酬関数を効率的に学習するフレームワークである。 本フレームワークは, 直接模倣が複雑な動作を再現できないような高次元タスクにおいて, 高い性能のポリシーを生成する。
  論文  参考訳（メタデータ） (2024-06-12T17:56:31Z)
• Dyna-LfLH: Learning Agile Navigation in Dynamic Environments from Learned Hallucination [25.444462899815548]
  Dyna-LfLHは、高密度でダイナミックな障害物のある環境をナビゲートするために、運動プランナーを訓練するための自己教師型手法である。 シミュレーションと実環境の両方において地上ロボット上でDyna-LfLHを評価し,ベースラインと比較して25%の精度向上を実現した。
  論文  参考訳（メタデータ） (2024-03-25T22:17:51Z)
• 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)

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。