論文の概要: Continual Quadruped Robots Coordination via Semantic Skill Discovery

• arxiv url: http://arxiv.org/abs/2606.08102v2
• Date: Wed, 10 Jun 2026 11:06:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 14:23:44.347666
• Title: Continual Quadruped Robots Coordination via Semantic Skill Discovery
• Title（参考訳）: セマンティックスキル発見による4足歩行ロボットの協調
• Authors: Daoqing Wang, Yuchen Xiao, Weixuan Huang, Zhilong Zhang, Shenghua Wan, Meng Li, Lei Yuan, Yang Yu,
• Abstract要約: マルチクワッドループ調整は、ペイロード容量の増強、コンタクト範囲の拡大、課題への適応性の向上などにより、注目を集めている。 既存のマルチクワッドループ操作の方法は、通常、事前に定義されたタスクファミリやクローズドタスクファミリにフォーカスする。 本稿では,検索・適応・更新プロセスとして連続的な多重四分法協調を定式化するセマンティック・スキル・ライブラリー・フレームワークであるConquerを提案する。
• 参考スコア（独自算出の注目度）: 17.82598716904032
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Multi-quadruped coordination has attracted increasing attention due to its enhanced payload capacity, broader contact coverage, and improved adaptability to challenging tasks. Existing methods for multi-quadruped manipulation typically focus on predefined or closed task families, often relying on multi-agent reinforcement learning (MARL) to train task-specific coordination policies. However, such methods struggle in open-ended continual learning settings, where tasks arrive sequentially and robots are expected to acquire new coordination skills while reusing previously learned ones without catastrophic forgetting. To address this challenge, we propose Conquer, a semantic skill-library framework that formulates continual multi-quadruped coordination as a retrieve-adapt-update process. First, to accommodate varying team sizes across tasks, we design a team-structured Self-Allies-Goal (SAG) backbone that supports variable-cardinality robot teams by explicitly modeling each robot's own state, teammate context, and task goal. For each incoming task, Conquer constructs a task-level semantic descriptor from pre-execution information and retrieves a relevant skill from the library for adaptation. After successful execution, Conquer updates the skill library by extracting trajectory-level semantic descriptors and organizing them according to semantic distance, thereby enabling continual skill accumulation and cross-task knowledge transfer. Simulation experiments show that Conquer achieves a final average success rate of 95.6%, demonstrating strong forward transfer and negligible catastrophic forgetting. Real-world rollouts on Unitree Go2 teams further validate the deployment feasibility of Conquer for practical multi-quadruped coordination. Simulation and real-robot demonstration videos are available at: https://conquer-project.pages.dev/.
• Abstract（参考訳）: マルチクワッドループ調整は、ペイロード容量の増強、コンタクト範囲の拡大、課題への適応性の向上などにより、注目を集めている。 既存のマルチクワッドループ操作の方法は、通常、事前に定義されたまたはクローズドなタスクファミリに焦点を合わせ、多くの場合、タスク固有の調整ポリシーを訓練するためにマルチエージェント強化学習(MARL)に依存している。 しかし、これらの手法は、タスクが順次到着し、ロボットは、破滅的な忘れをすることなく、以前学習したものを再利用しながら、新しい調整スキルを身につけることが期待される、オープンエンドな継続的学習環境に苦慮している。 この課題に対処するために,検索・適応・更新プロセスとして連続的な多重四分法協調を定式化するセマンティック・スキル・ライブラリー・フレームワークであるConquerを提案する。 まず、タスク全体にわたるさまざまなチームサイズに対応するために、各ロボットの状態、チームメイトコンテキスト、タスク目標を明示的にモデル化することで、可変カード型ロボットチームをサポートする、チーム構成のセルフアライアンスゴール(SAG)バックボーンを設計します。 それぞれのタスクに対して、Conquerは事前実行情報からタスクレベルのセマンティック記述子を構築し、ライブラリから関連するスキルを取得して適応する。 実行が成功した後、Conquerは、トラジェクトリレベルのセマンティック記述子を抽出し、セマンティック距離に応じてそれらを整理することで、スキルライブラリを更新し、継続的なスキル蓄積とクロスタスクの知識伝達を可能にする。 シミュレーション実験により、コンカーは95.6%の最終的な平均成功率を達成し、強い前方移動と無視可能な破滅的な忘れを証明した。 Unitree Go2チームの実際のロールアウトは、実用的なマルチクワッドラップ調整のためのConquerのデプロイメント実現可能性をさらに検証する。 シミュレーションと実ロボットのデモビデオは、https://conquer-project.pages.dev/.comで公開されている。

関連論文リスト

• Swarm Skills: A Portable, Self-Evolving Multi-Agent System Specification for Coordination Engineering [50.72456732323037]
  textbfSwarm Skillsは、マルチエージェントのセマンティクスを用いて、Arthhropic Skills標準を拡張したポータブル仕様である。 Swarm Skillsはマルチエージェントを、役割、実行バウンダリ、自己進化のためのビルトインセマンティック構造からなる、一級の分散可能なアセットに変える。 我々は,Swarm Skillsがプログレッシブ開示を通じて,ゼロアダプタのクロスエージェントポータビリティを実現する方法を示す。
  論文  参考訳（メタデータ） (2026-05-11T06:26:58Z)
• Improving the Efficiency of Language Agent Teams with Adaptive Task Graphs [52.26652574704317]
  大規模言語モデル(LLM)はますますチームにデプロイされているが、既存のコーディネーションアプローチは2つの極端な部分を占めることが多い。 本稿では,Language Agent Teams for Task Evolution (LATTE)を紹介した。
  論文  参考訳（メタデータ） (2026-05-07T14:19:17Z)
• Offline Discovery of Interpretable Skills from Multi-Task Trajectories [8.119611773942562]
  オフラインスキル発見と階層的模倣のための3段階のエンドツーエンド学習フレームワークであるLOKIを紹介する。 LOKIは、挑戦的なD4RL Kitchenベンチマークで高い成功率を獲得し、標準のHILベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-02-01T05:03:58Z)
• Heterogeneous Robot Collaboration in Unstructured Environments with Grounded Generative Intelligence [54.91177026001217]
  大規模言語モデル(LLM)対応のチーム化手法は、よく構造化された既知の環境を前提とするのが一般的である。 異種ロボットチームにおけるLCMの推論能力を基盤として,これらの制約に対処するフレームワークであるSPINE-HTを提案する。 我々のフレームワークは、従来のLLM対応の不均一なチームリング手法と比較して、ほぼ2倍の成功率を達成する。
  論文  参考訳（メタデータ） (2025-10-30T18:24:38Z)
• Large Language Models for Orchestrating Bimanual Robots [19.60907949776435]
  本稿では,Language-based Bimanual Orchestration (LABOR)を提案する。 NICOLヒューマノイドロボットを用いた2種類の長距離作業のシミュレーション実験により,本手法の評価を行った。
  論文  参考訳（メタデータ） (2024-04-02T15:08:35Z)
• Fast Inference and Transfer of Compositional Task Structures for Few-shot Task Generalization [101.72755769194677]
  本稿では,タスクがサブタスクグラフによって特徴づけられる,数発の強化学習問題として定式化する。 我々のマルチタスクサブタスクグラフ推論器(MTSGI)は、トレーニングタスクから、まず、サブタスクグラフの観点から、一般的なハイレベルなタスク構造を推測する。 提案手法は,2次元グリッドワールドおよび複雑なWebナビゲーション領域において,タスクの共通基盤構造を学習し,活用し,未知のタスクへの適応を高速化する。
  論文  参考訳（メタデータ） (2022-05-25T10:44:25Z)
• A Cordial Sync: Going Beyond Marginal Policies for Multi-Agent Embodied Tasks [111.34055449929487]
  エージェントが協力して家具をリビングルームに移動させるという,新しいタスクFurnMoveを紹介した。 既存のタスクとは異なり、FurnMoveはエージェントが各タイミングで調整する必要がある。 既存の分散化されたアクションサンプリング手順は、表現力のある共同アクションポリシーを許さない。 SynC-policiesとCORDIALを用いて、我々のエージェントはFurnMoveで58%の完成率を達成する。
  論文  参考訳（メタデータ） (2020-07-09T17:59:57Z)

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。