Fugu-MT 論文翻訳(概要): An Exploration of Collision-based Enemy Morphology Generation

論文の概要: An Exploration of Collision-based Enemy Morphology Generation

arxiv url: http://arxiv.org/abs/2606.02832v1
Date: Mon, 01 Jun 2026 19:52:33 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-03 22:00:04.572117
Title: An Exploration of Collision-based Enemy Morphology Generation
Title（参考訳）: 衝突に基づくネミー形態生成の探索
Abstract要約: 本稿では,プレイヤーの衝突情報に基づいて敵形態を生成する3つの異なるアプローチについて検討する。それぞれのアプローチは異なる長所と短所を提供するが、いずれも以前のロボット形態学の作業から適応した進化的ベースラインと同等あるいは優れた性能を持っていた。
参考スコア（独自算出の注目度）: 5.027571997864707
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Despite a great deal of prior research into Procedural Content Generation (PCG), relatively little prior work has explored generating enemies for video games. In particular, there is almost no work on generating enemy morphologies, the basic body plan or collision information for in-game enemies, despite the existence of related morphology generation work in robotics. In this paper, we explore three different novel approaches to generate enemy morphologies based on player collision information. We found that each approach provides different strengths and weaknesses, but all had equivalent or better performance than an evolutionary baseline adapted from prior robotics morphology work.
Abstract（参考訳）: プロシージャコンテンツ生成(PCG)に関する多くの先行研究にもかかわらず、ビデオゲームの敵生成についての研究は比較的少ない。特に、ロボット工学における関連する形態素生成作業があるにもかかわらず、敵形態素の生成、基本体計画、およびゲーム内敵の衝突情報に関する研究はほとんどない。本稿では,プレイヤーの衝突情報に基づいて,敵形態を生成するための3つの新しいアプローチについて検討する。それぞれのアプローチは異なる長所と短所を提供するが、いずれも以前のロボット形態学の作業から適応した進化的ベースラインと同等あるいは優れた性能を持っていた。

関連論文リスト

MeshMimic: Geometry-Aware Humanoid Motion Learning through 3D Scene Reconstruction [54.36564144414704]
MeshMimicは、3Dシーンの再構築とインテリジェンスを組み込んだ革新的なフレームワークで、ヒューマノイドロボットがビデオから直接「モーション・テライン」インタラクションを学習できるようにする。現状の3次元視覚モデルを活用することで、我々のフレームワークは、人間の軌跡と基礎となる地形や物体の3次元幾何学の両方を正確にセグメント化し再構築する。
論文参考訳（メタデータ） (2026-02-17T17:09:45Z)
From Generated Human Videos to Physically Plausible Robot Trajectories [103.28274349461607]
ビデオ生成モデルは、人間のアクションを新しい文脈で合成する能力が急速に向上している。この可能性を実現するために、ヒューマノイドはどうやってゼロショットで生成されたビデオから人間の行動を実行することができるのか? この課題は、生成されたビデオがしばしばうるさいので、実際のビデオと比べて直接の模倣を困難にする形態的歪みを示すためである。我々は,3次元キーポイントに条件付き物理対応強化学習政策であるGenMimicを提案し,対称性の正則化とキーポイント重み付きトラッキング報酬を訓練した。
論文参考訳（メタデータ） (2025-12-04T18:56:03Z)
Toward Humanoid Brain-Body Co-design: Joint Optimization of Control and Morphology for Fall Recovery [55.951691393378354]
フォールリカバリのためのスケーラブルなヒューマノイド共同設計フレームワークであるRoboCraftを提案する。複数の設計にまたがって事前訓練された共有ポリシーは、ハイパフォーマンスな形態に対して徐々に微調整される。実験の結果、RoboCraftは7つの公用ヒューマノイドロボットで平均44.55%のパフォーマンス向上を達成した。
論文参考訳（メタデータ） (2025-10-25T15:40:18Z)
PhyGrasp: Generalizing Robotic Grasping with Physics-informed Large Multimodal Models [58.33913881592706]
人間は、自分の直感的な物理学を巧みに把握し、これまで見たことのない物体であっても、効率的に把握を変更できる。この研究は、そのような物理的常識的推論をロボット操作に注入することに注力している。自然言語と3次元点雲の2つのモードからの入力を利用するマルチモーダル大モデルであるPhyGraspを紹介する。
論文参考訳（メタデータ） (2024-02-26T18:57:52Z)
DittoGym: Learning to Control Soft Shape-Shifting Robots [27.724891332319178]
我々は、その生涯で形態を変えることができるロボットとして定義された、再構成可能な新しいロボットを探索する。再構成可能なソフトロボットの制御を高次元強化学習(RL)問題として定式化する。細かな形態変化を必要とするソフトロボットのための総合的なRLベンチマークであるDittoGymを紹介する。
論文参考訳（メタデータ） (2024-01-24T05:03:05Z)
Generation of Games for Opponent Model Differentiation [2.164100958962259]
これまでの結果から,人間の振る舞いをモデル化することで,アルゴリズムの性能が大幅に向上することが示唆された。本研究では、悪意ある行為を行う可能性を高める人格タイプを特定する心理学者によって収集されたデータを用いる。私たちはそのパラメータと心理的特徴を結びつける新しいモデルを作成しました。
論文参考訳（メタデータ） (2023-11-28T13:45:03Z)
Universal Morphology Control via Contextual Modulation [52.742056836818136]
異なるロボット形態をまたいだ普遍的なポリシーの学習は、継続的な制御における学習効率と一般化を著しく向上させることができる。既存の手法では、グラフニューラルネットワークやトランスフォーマーを使用して、異種状態と異なる形態のアクション空間を処理する。本稿では,この依存関係を文脈変調によりモデル化する階層型アーキテクチャを提案する。
論文参考訳（メタデータ） (2023-02-22T00:04:12Z)
Task-Agnostic Morphology Evolution [94.97384298872286]
モルフォロジーと振る舞いを共同適用する現在のアプローチでは、特定のタスクの報酬をモルフォロジー最適化のシグナルとして使用します。これはしばしば高価なポリシー最適化を必要とし、一般化するために構築されていないタスクに依存した形態をもたらす。我々は,これらの問題を緩和するための新しいアプローチであるタスク非依存形態進化(tame)を提案する。
論文参考訳（メタデータ） (2021-02-25T18:59:21Z)
Environmental Adaptation of Robot Morphology and Control through Real-world Evolution [5.08706161686979]
機械的に自己再構成された四足歩行ロボットに形態学と制御の組み合わせを得るために進化探索を適用した。 2つの異なる物理曲面上の解を進化させ、制御と形態の両方の観点から結果を解析する。
論文参考訳（メタデータ） (2020-03-30T07:57:19Z)

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。