論文の概要: T-GMP: Terrain-conditioned Generative Motion Priors for Versatile and Natural Humanoid Locomotion

• arxiv url: http://arxiv.org/abs/2606.06944v1
• Date: Fri, 05 Jun 2026 06:15:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.589793
• Title: T-GMP: Terrain-conditioned Generative Motion Priors for Versatile and Natural Humanoid Locomotion
• Title（参考訳）: T-GMP:バーサタイルと自然人型ロコモーションのためのテランの条件付き生成運動
• Authors: Junhong Guo, Hao Hu, Chen Chen, Haoxuan Han, Linao Gong, Xin Yang, Zhicheng He, Yao Su, Fenghua He,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 10.258225375602231
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Achieving both anthropomorphic naturalness and robust terrain traversal remains a fundamental challenge in humanoid locomotion. Existing Reinforcement Learning (RL) approaches typically rely on fixed motion priors, limiting their adaptability to varying environments. We propose Terrain-conditioned Generative Motion Priors (T-GMP), a module that captures a terrain-conditioned latent motion manifold from a few expert state-terrain demonstrations using a Conditional Variational Autoencoder (CVAE). The learned priors enable smooth style transitions, facilitating a unified policy that adapts to terrain variations. We integrate T-GMP into an adversarial learning pipeline with our proposed Foothold Penalty, where a discriminator dynamically modulates naturalness constraints conditioned on local terrain features, guiding the generation of versatile and human-like motions. Experimental results demonstrate that our method outperforms existing baselines in traversal success rate and motion smoothness, while preserving biomimetically natural and physically coordinated motions.
• Abstract（参考訳）: 人為的自然性と堅牢な地形横断性の両方を達成することは、ヒューマノイド移動の根本的な課題である。 既存の強化学習(RL)アプローチは、通常、様々な環境への適応性を制限する固定された動き先に依存する。 本研究では, 条件付き変分オートエンコーダ (CVAE) を用いて, 地形条件付き潜在運動多様体を数個の専門的状態テランの実証から捉えるモジュールであるTerrain-conditioned Generative Motion Priors (T-GMP) 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、地形の変化に適応する統一されたポリシーを促進する。 我々は,T-GMPを,我々の提案するフットホールド・ペナルティ(Fthhold Penalty)と対向学習パイプラインに統合する。 実験結果から, バイオメカニカルな運動と物理的に協調した運動を保存しながら, 移動の成功率と運動の滑らかさにおいて, 既存のベースラインよりも優れていたことが示唆された。

関連論文リスト

• 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、ゲーティングネットワークを形成するための対照的な目的で訓練する。
  論文  参考訳（メタデータ） (2026-06-03T10:51:46Z)
• Adaptive Gait Generation for Multi-Terrain Exoskeletons via Constrained Kernelized Movement Primitives [2.83650101932771]
  下肢外骨格(LLE)は、運動障害のある個人を再び歩行させる可能性を示す。 現在の外骨格は平らで平らな地形でしか歩けない。 複数の屋内地形にまたがる適応歩行生成のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2026-05-04T12:08:18Z)
• Learn Weightlessness: Imitate Non-Self-Stabilizing Motions on Humanoid Robot [56.377161933570335]
  人間は自然に非自己安定化(NSS)運動中に「無重力」状態を利用する。 この生物学的メカニズムに着想を得て,データセットのアノテーションに対する無重力自動ラベル方式を提案する。 我々の研究は、正確な軌道追跡と適応的な環境相互作用のギャップを埋め、接触リッチなヒューマノイド制御のための生物学的にインスパイアされたソリューションを提供する。
  論文  参考訳（メタデータ） (2026-04-23T07:10:05Z)
• LatentMimic: Terrain-Adaptive Locomotion via Latent Space Imitation [22.247608050046125]
  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。
  論文  参考訳（メタデータ） (2026-04-07T03:49:15Z)
• RoboForge: Physically Optimized Text-guided Whole-Body Locomotion for Humanoids [20.796118584632904]
  自然言語と全身移動を橋渡しする統合潜在駆動型フレームワークを提案する。 我々のフレームワークは、テキスト誘導型ヒューマノイドインテリジェンスをデプロイするための実践的なパスを提供する。
  論文  参考訳（メタデータ） (2026-03-18T17:02:56Z)
• Aligning Agentic World Models via Knowledgeable Experience Learning [68.85843641222186]
  環境フィードバックをシンセサイザー化したWorld Knowledge Repositoryを構築するフレームワークであるWorldMindを紹介する。 WorldMindは、優れたクロスモデルとクロス環境転送性を備えたベースラインよりも優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-01-19T17:33:31Z)
• AdaMorph: Unified Motion Retargeting via Embodiment-Aware Adaptive Transformers [49.796014934503184]
  本研究では、単一モデルで多様なロボット形態に人間の動きを適応させることができる統一型ニューラルネットワークフレームワークを提案する。 12個の異なるヒューマノイドロボットの実験結果から、AdaMorphが異種トポロジにわたって効果的に制御できることが示されている。
  論文  参考訳（メタデータ） (2026-01-12T07:39:38Z)
• Simulating Distribution Dynamics: Liquid Temporal Feature Evolution for Single-Domain Generalized Object Detection [58.25418970608328]
  Single-Domain Generalized Object Detection (Single-DGOD)は、あるソースドメインで訓練された検出器を複数の未知のドメインに転送することを目的としている。 シングルDGODの既存の方法は通常、データの多様性を拡大するために離散的なデータ拡張や静的摂動法に依存している。 そこで本研究では,ソース領域から潜伏分布のシミュレーションに至るまでの機能の進化をシミュレートする手法を提案する。
  論文  参考訳（メタデータ） (2025-11-13T03:10:39Z)
• MobilityGPT: Enhanced Human Mobility Modeling with a GPT model [15.16172813601417]
  我々は, 自動回帰生成タスクとして, 生成事前学習型トランスフォーマアーキテクチャを活用して, 人間のモビリティモデリングを再構築する。 本稿では,ジオスパティカル・アウェア・ジェネレーティブ・モデルであるモビリティGPTを提案する。 実世界のデータセットの実験では、モビリティGPTは最先端の手法よりも優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-02-05T18:22:21Z)
• 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)

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。