論文の概要: Learning Gait-Aware Quadruped Locomotion with Temporal Logic Specifications

• arxiv url: http://arxiv.org/abs/2607.00442v1
• Date: Wed, 01 Jul 2026 04:57:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.722182
• Title: Learning Gait-Aware Quadruped Locomotion with Temporal Logic Specifications
• Title（参考訳）: 時間論理仕様を用いた歩行を考慮した四足歩行学習
• Abstract要約: 本稿では,信号テンポラル論理で表現されたパラメータ化制約を用いて,異なる歩留まりを規定するフレームワークを提案する。 学習エージェントに所望の振る舞いをエンコードする、密集した継続的な報酬景観を提供する報酬形成機構を開発する。 MuJoCo XLA(MJX)におけるGoogleの四足ロボットBarkourのアプローチのインスタンス化
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reinforcement learning (RL) for quadruped locomotion commonly depends on fixed, hand-crafted, and Markovian reward functions that limit both interpretability of learned policies and lack explicit control over gait behaviors. We introduce a framework where distinct gaits are specified using parameterized constraints expressed in Signal Temporal Logic (STL). These include safety bounds, gait synchronization constraints, command tracking, and actuation bounds. From these specifications, we develop a reward shaping mechanism that provides learning agents a dense, continuous reward landscape that encodes desired behavior. We define parametric STL templates for three speed regimes (walking-trot, trot, bound), calibrate their parameters from reference rollouts, and compute rewards from using smooth approximations of STL robustness over the rollouts. The generated rewards can be used to provide shaped gradients compatible with Proximal Policy Optimization (PPO). We instantiate the approach on Google's Barkour quadruped robot in MuJoCo XLA (MJX). We use parallelization within the simulator to improve training speeds and use domain randomization to robustify learned policies. We show that compared to a baseline of hand-crafted rewards, the STL-shaped rewards yield tighter velocity tracking and more stable training. Videos can be found on our project website: https://stl-locomotion.github.io/.
• Abstract（参考訳）: 四足歩行のための強化学習(RL)は通常、学習ポリシーの解釈可能性と歩行行動に対する明確な制御の欠如の両方を制限する固定的、手作り的、マルコフ的な報酬関数に依存する。 本稿では,STL(Signal Temporal Logic)で表現されたパラメータ化制約を用いて,異なる歩留まりを規定するフレームワークを提案する。 これには、セーフバウンダリ、歩行同期制約、コマンドトラッキング、アクチュエーションバウンダリが含まれる。 これらの仕様から、学習エージェントに所望の振る舞いを符号化する密集した継続的な報酬景観を提供する報酬形成機構を開発する。 本研究では,3つのスピードレギュラー(ウォーキングトロット,トロット,バウンド)に対するパラメトリックSTLテンプレートを定義し,参照ロールアウトからパラメータをキャリブレーションし,ロールアウト上でのSTLロバスト性のスムーズな近似を用いて報奨を算出する。 生成された報酬は、PPO(Proximal Policy Optimization)と互換性のある形状の勾配を提供するために使用できる。 我々は,MuJoCo XLA (MJX) における Google の四足ロボット Barkour のアプローチをインスタンス化する。 シミュレータ内で並列化を使用してトレーニング速度を向上し、学習ポリシーの堅牢化にドメインランダム化を使用します。 本研究は,手作り報酬のベースラインと比較して,STL型報酬がより厳密な速度追跡とより安定したトレーニングをもたらすことを示す。 ビデオはプロジェクトのWebサイト(https://stl-locomotion.github.io/)で見ることができる。

関連論文リスト

• From LLM-Generated Specifications to Learned Quadruped Locomotion [7.240440138551274]
  四足歩行ロボットの動作ポリシーは、しばしば強化学習を用いて訓練される。 多くの場合、どの地域報酬が望ましいグローバルな行動を引き起こすかは定かではない。 本稿では,大言語モデル(LLM)が信号時間論理(PSTL)の仕様を生成することにより,このギャップを埋めることができるかどうかを検討する。
  論文  参考訳（メタデータ） (2026-09-07T06:53:53Z)
• A Relaxed Quadratic-Program-based Framework for Trajectory Tracking of Unicycle Robots with Singularity Avoidance [1.3318026799252654]
  動的フィードバック線形化(Dynamic feedback linearization, DFL)は, 一輪車型移動ロボットの軌道追尾技術である。 線形速度がなくなるとDFLベースのコントローラは特異となり、標準のDFLベースのコントローラは停止と逆操作には適さない。 本稿では,この特異性を回避する2次プログラム(QP)に基づく最適制御フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-22T13:55:21Z)
• DIRECT: When and Where Should You Allocate Test-Time Compute in Embodied Planners? [57.585275546688116]
  VLM(Vision-Language Models)は、エンボディエージェントの高レベルプランナーとしてますます普及している。 テストタイムの計算をいつ、どこで使うかを選択することは、実際の世界にフロンティアパフォーマンスをもたらす中心である、と私たちは主張する。 我々はマルチモーダルシーンコンテキストを用いてプロンプト毎に計算を割り当てるルーティングフレームワークであるDIRECTを紹介した。
  論文  参考訳（メタデータ） (2026-06-10T17:58:49Z)
• CADTrack: Learning Contextual Aggregation with Deformable Alignment for Robust RGBT Tracking [68.71826342377004]
  RGB-Thermal (RGBT) トラッキングは、堅牢な全天候物体追跡のために可視および熱赤外モードを活用することを目的としている。 既存のRGBTトラッカーはモダリティの相違を解決するのに苦労している。 RGBT追跡のためのCADTrackと呼ばれる,変形可能なアライメントによるコンテキストアグリゲーション(Contextual Aggregation)を提案する。
  論文  参考訳（メタデータ） (2025-11-22T08:10:02Z)
• INC: An Indirect Neural Corrector for Auto-Regressive Hybrid PDE Solvers [61.84396402100827]
  本稿では,学習した補正を支配方程式に統合する間接ニューラルコレクタ(mathrmINC$)を提案する。 $mathrmINC$は、$t-1 + L$の順番でエラー増幅を減らし、$t$はタイムステップ、$L$はリプシッツ定数である。 大規模なベンチマークで$mathrmINC$をテストし、1Dカオスシステムから3D乱流まで、多くの異なる解法、神経バックボーン、テストケースをカバーした。
  論文  参考訳（メタデータ） (2025-11-16T20:14:28Z)
• MoSiC: Optimal-Transport Motion Trajectory for Dense Self-Supervised Learning [66.53533434848369]
  密集した表現を学習する動き誘導型自己学習フレームワークを提案する。 6つの画像およびビデオデータセットと4つの評価ベンチマークにおいて、最先端を1%から6%改善する。
  論文  参考訳（メタデータ） (2025-06-10T11:20:32Z)
• Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [57.278726604424556]
  そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。 提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。 ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
  論文  参考訳（メタデータ） (2024-09-12T11:50:06Z)
• LTLDoG: Satisfying Temporally-Extended Symbolic Constraints for Safe Diffusion-based Planning [12.839846486863308]
  本研究では,新しい静的かつ時間的に拡張された制約/命令に準拠する長い水平軌道を生成することに焦点を当てる。 本稿では、線形時間論理を用いて指定された命令を与えられた逆プロセスの推論ステップを変更する、データ駆動拡散に基づくフレームワーク、 finiteDoGを提案する。 ロボットナビゲーションと操作の実験では、障害物回避と訪問シーケンスを指定する公式を満たす軌道を生成することができる。
  論文  参考訳（メタデータ） (2024-05-07T11:54:22Z)
• Action-Quantized Offline Reinforcement Learning for Robotic Skill Learning [68.16998247593209]
  オフライン強化学習(RL)パラダイムは、静的な行動データセットを、データを収集したポリシーよりも優れたパフォーマンスのポリシーに変換するためのレシピを提供する。 本稿では,アクション量子化のための適応型スキームを提案する。 IQL,CQL,BRACといった最先端のオフラインRL手法が,提案手法と組み合わせることで,ベンチマークのパフォーマンスが向上することを示す。
  論文  参考訳（メタデータ） (2023-10-18T06:07:10Z)
• Distributed Control using Reinforcement Learning with Temporal-Logic-Based Reward Shaping [0.2320417845168326]
  本研究では,異種ロボットの分散制御戦略を部分的に観測可能な環境下で合成するためのフレームワークを提案する。 提案手法では,合成問題をゲームとして定式化し,ポリシーグラフ法を用いて各エージェントのメモリによる制御戦略を求める。 我々はTLTLの量的意味論をゲームの報酬として使用し、さらに有限状態オートマトンを用いて学習プロセスのガイドと高速化を行う。
  論文  参考訳（メタデータ） (2022-03-08T16:03:35Z)
• Continuous Motion Planning with Temporal Logic Specifications using Deep Neural Networks [16.296473750342464]
  動作計画問題に対する制御ポリシを合成するモデルフリー強化学習法を提案する。 ロボットは、連続状態と行動空間を持つ離散マルコフ時間決定プロセス(MDP)としてモデル化される。 我々は,アクタクリティカル強化学習法を用いて,価値関数とポリシーを近似するために,ディープニューラルネットワークを訓練する。
  論文  参考訳（メタデータ） (2020-04-02T17:58:03Z)
• Certified Reinforcement Learning with Logic Guidance [78.2286146954051]
  線形時間論理(LTL)を用いて未知の連続状態/動作マルコフ決定過程(MDP)のゴールを定式化できるモデルフリーなRLアルゴリズムを提案する。 このアルゴリズムは、トレースが仕様を最大確率で満たす制御ポリシーを合成することが保証される。
  論文  参考訳（メタデータ） (2019-02-02T20:09:32Z)

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。