論文の概要: Learning Roller-Skating Motions of Humanoid Robots Based on Adversarial Motion Priors

• arxiv url: http://arxiv.org/abs/2607.10815v1
• Date: Sun, 12 Jul 2026 16:05:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.548375
• Title: Learning Roller-Skating Motions of Humanoid Robots Based on Adversarial Motion Priors
• Title（参考訳）: 対向運動優先に基づくヒューマノイドロボットのローラースケート動作の学習
• Abstract要約: 本稿では,2つのヒューマノイドローラースケート(ポンプグライドスケートとプッシュグライドスケート)のための逆運動事前強化学習フレームワークを提案する。 2つの歩行データセットは、モーションキャプチャを通して独立して収集され、ヒューマノイドロボットに個別にターゲットされる。
• 参考スコア（独自算出の注目度）: 5.706187878182832
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Humanoid roller-skating is difficult because the robot must coordinate whole-body balance, rolling contacts, and velocity-dependent posture regulation. This paper presents an adversarial motion prior based reinforcement learning framework for two humanoid roller-skating gaits: Pump Glide skating and Push Glide skating. The two gait datasets are collected independently through motion capture and retargeted to the humanoid robot separately. The retargeted data are then smoothed and resampled into reference motion states for AMP training. The two gaits are learned by independent AMP training pipelines with separate reference datasets, separate policies, and independent reward architectures. Simulation experiments are designed to evaluate gait quality, velocity tracking, turning, and gait-specific reward ablations.
• Abstract（参考訳）: ロボットは全身バランス、ローリングコンタクト、速度依存姿勢調整を調整しなければならないため、人間型ローラースケートは難しい。 本稿では,2つのヒューマノイドローラースケート(ポンプグライドスケートとプッシュグライドスケート)のための逆運動事前強化学習フレームワークを提案する。 2つの歩行データセットは、モーションキャプチャを通して独立して収集され、ヒューマノイドロボットに個別にターゲットされる。 再ターゲットされたデータはスムースにされ、AMPトレーニングのための参照動作状態に再サンプリングされる。 2つの歩行は、独立したAMPトレーニングパイプラインによって学習され、別々の参照データセット、別々のポリシー、独立した報酬アーキテクチャがある。 シミュレーション実験は、歩行品質、速度追跡、旋回、歩行特有の報酬改善を評価するように設計されている。

関連論文リスト

• Morphology-Aware Human Motion Retargeting for Wheeled-Humanoid Loco-Manipulation [3.1041072702135213]
  本稿では,マルチデータセット動作をガラクサR1車輪型ヒューマノイドのロコ操作動作に変換するパイプラインを提案する。 ロボットは平面式3輪ベースとシリアル胴体と2本の腕を持つが、脚の関節は持たない。 基準ツイスト駆動の計画層は、平面ベースの動きを連続した3輪ステアリングとローリングコマンドにデコードする。
  論文  参考訳（メタデータ） (2026-09-10T10:40:31Z)
• DemoBridge: A Simulation-in-the-Loop Toolkit for Single-View Human Demonstration Retargeting [49.70827726228219]
  このツールキットは、人間の手による実演のシングルビューRGBステレオ記録を、物理で検証可能なロボットアーム軌道に変換する。 DemoBridgeの中核は、衝突を意識した単一のプランナーである。 物理シミュレーターはループ内で動作し、生成した各フェーズを検証し、障害時にバックトラックするので、与えられたように再生できないデモは破棄されるのではなく、再計画される。
  論文  参考訳（メタデータ） (2026-07-10T15:31:04Z)
• Mobile Pedipulation for Object Sliding via Hierarchical Control on a Wheeled Bipedal Robot [5.584747732103647]
  本稿では、車輪付き二足歩行ロボットが車輪付き脚で物体のすべり作業を行うことを可能にする階層型制御フレームワークを提案する。 提案手法は, 非線形モデル予測制御器 (NMPC) を低次3次元剛体に基づいて定式化する。 軌道最適化に基づくロボット物体運動プランナを開発し, 接地物体接触における棒-すべり遷移を含む基準運動を生成する。
  論文  参考訳（メタデータ） (2026-06-17T16:09:02Z)
• Multi-Gait Learning for Humanoid Robots Using Reinforcement Learning with Selective Adversarial Motion Prior [1.3888713657872926]
  本稿では,ヒューマノイドロボットが5つの異なる歩行を習得できるマルチゲット学習手法を提案する。 主な貢献は、選択的な Adversarial Motion Prior (AMP) 戦略である。 選択的なAMPは5つの歩数にまたがって均一なAMPポリシーより優れていることを示す。
  論文  参考訳（メタデータ） (2026-04-21T05:26:20Z)
• Gait-Adaptive Perceptive Humanoid Locomotion with Real-Time Under-Base Terrain Reconstruction [86.53248703859718]
  本研究では,地形認識,歩行制御,全身制御を一つの強化学習ポリシーにマージする知覚的移動フレームワークを提案する。 31-DoF、1.65mのヒューマノイドロボットによる実験は、シミュレーションと実世界の両方で堅牢な移動を実証している。
  論文  参考訳（メタデータ） (2025-12-08T11:42:41Z)
• RobotDancing: Residual-Action Reinforcement Learning Enables Robust Long-Horizon Humanoid Motion Tracking [50.200035833530876]
  RobotDancingはシンプルでスケーラブルなフレームワークで、残留する関節の目標を予測して、ダイナミックスの不一致を明示的に修正する。 複数分間の高エネルギー動作(ジャンプ、スピン、カートホイール)をトラッキングし、高いモーショントラッキング品質のハードウェアにゼロショットをデプロイする。
  論文  参考訳（メタデータ） (2025-09-25T03:30:34Z)
• Training Directional Locomotion for Quadrupedal Low-Cost Robotic Systems via Deep Reinforcement Learning [4.669957449088593]
  現実世界における低コスト四足歩行ロボットの方向移動の深層強化学習訓練について述べる。 我々は、動作状態遷移の探索を促進するためにロボットが従わなければならない方向のランダム化を利用する。 エピソードの先頭のリセットを現在のヨーと通常の分布から引き出されたランダムな値に変更すると、複雑な軌跡に従うことができるポリシーが得られる。
  論文  参考訳（メタデータ） (2025-03-14T03:53:01Z)
• Spatial-Temporal Graph Diffusion Policy with Kinematic Modeling for Bimanual Robotic Manipulation [88.83749146867665]
  既存のアプローチは、遠く離れた次のベストなエンドエフェクタのポーズを予測するポリシーを学びます。 すると、運動に対する対応する関節回転角を逆運動学を用いて計算する。 本稿では,Kinematics 拡張空間テンポアル gRaph diffuser を提案する。
  論文  参考訳（メタデータ） (2025-03-13T17:48:35Z)
• Hybrid Internal Model: Learning Agile Legged Locomotion with Simulated Robot Response [25.52492911765911]
  ロボットの応答に応じて外部状態を推定するためにハイブリッド内部モデルを導入する。 この応答は、ハイブリッドな内部埋め込みと呼ばれ、ロボットの明示的な速度と暗黙的な安定性の表現を含んでいる。 実世界の多くの実験が、トレーニングプロセス中に一度も起こらなかった、高度に分散したタスクやケースにおいても、その俊敏性を示している。
  論文  参考訳（メタデータ） (2023-12-18T18:59:06Z)
• Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
  この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。 コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。 その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
  論文  参考訳（メタデータ） (2021-01-26T16:01:02Z)
• ReLMoGen: Leveraging Motion Generation in Reinforcement Learning for Mobile Manipulation [99.2543521972137]
  ReLMoGenは、サブゴールを予測するための学習されたポリシーと、これらのサブゴールに到達するために必要な動作を計画し実行するためのモーションジェネレータを組み合わせたフレームワークである。 本手法は,フォトリアリスティック・シミュレーション環境における7つのロボットタスクの多種多様なセットをベンチマークする。 ReLMoGenは、テスト時に異なるモーションジェネレータ間で顕著な転送可能性を示し、実際のロボットに転送する大きな可能性を示している。
  論文  参考訳（メタデータ） (2020-08-18T08:05:15Z)

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。