論文の概要: GaitSpan: Growing Humanoid Locomotion from Walking to Running

• arxiv url: http://arxiv.org/abs/2607.12114v1
• Date: Mon, 13 Jul 2026 19:42:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:29.958833
• Title: GaitSpan: Growing Humanoid Locomotion from Walking to Running
• Title（参考訳）: GaitSpan:歩行からランニングまでの人間型ロコモーションの成長
• Abstract要約: GaitSpanは、事前訓練された基本的な歩行ポリシーを高速な移動に拡張するフレームワークである。 歩行、ジョギング、ランニングライクなレギュレーションにまたがる単一のコマンド条件のヒューマノイドポリシーを初めて提供する。 マルチエキスパートで訓練されたベースラインや、人間から模倣されたベースラインと比較して、より速く学習し、より強力な歩行性能を達成する。
• 参考スコア（独自算出の注目度）: 32.91667218417489
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A humanoid that can walk should not relearn locomotion from scratch to jog or run. Yet current approaches often obtain gait diversity by prescribing gait schedules, imitating motion clips, training experts to switch between or distilling skills into one policy. These strategies can produce impressive behaviors, but offer limited flexibility across continuous speed commands, terrains, and morphologies. We study skill growth with GaitSpan, a framework that expands a pretrained, basic walking policy into faster locomotion. It treats walking as a seed skill: reusable motor structure for balance, support, body coordination, and contact transition that can be regenerated at new rhythms, extended into longer/higher strides, and corrected by residual adaptation. This expansion has three aspects: 1) rhythm generation, which modulates the frozen walking policy with multiple internal clocks and learns command-conditioned combinations of the resulting canonical actions; 2) stride shaping, which rewards dynamic locomotion patterns appropriate for higher commanded speeds using a physically grounded objective inspired by spring-loaded inverted pendulum dynamics; and 3) residual adaptation, which captures motion details not accounted for by rhythm generation or stride shaping. GaitSpan is the first to deliver a single command-conditioned humanoid policy that spans walking, jogging, and running-like regimes covering a continuous speed range, transfers across morphologies, and deploys zero-shot on unseen sim-to-sim, and real-world terrains. Compared with baselines either trained with multi-experts or imitation from humans, it learns faster and achieves stronger gait performance.
• Abstract（参考訳）: 歩行可能なヒューマノイドは、スクラッチからジョギングやランニングまで移動を再開するべきではない。 しかし、現在のアプローチは、歩行スケジュールを規定し、モーションクリップを模倣し、専門家にスキルを切り替えるか、蒸留するかを訓練することで、歩行の多様性を得ることが多い。 これらの戦略は印象的な振る舞いを生み出すことができるが、連続的なスピードコマンド、地形、形態にまたがる柔軟性は制限されている。 トレーニング済みの基本的な歩行ポリシーを高速な移動に拡張するフレームワークであるGaitSpanでスキル成長を研究する。 歩行を種として扱う: バランス、支持、体調調整、接触遷移のための再利用可能なモーター構造で、新しいリズムで再生され、より長く高い歩数に拡張され、残留適応によって修正される。 この拡張には3つの側面がある。 1 リズム生成は、凍結歩行方針を複数の内部時計で調整し、結果として生じる標準動作の指令条件の組み合わせを学習する。 2)バネ装荷逆振子力学にインスパイアされた物理的に接地された目標を用いて、より高い指令速度に適した動的移動パターンを報いるストライド成形 3)リズム生成やストライド形成によって説明されない動きの詳細を捉える残差適応。 GaitSpanは、歩行、ジョギング、ランニングのような状態にまたがる単一のコマンド条件のヒューマノイドポリシーを初めて提供する。 マルチエキスパートで訓練されたベースラインや、人間から模倣されたベースラインと比較して、より速く学習し、より強力な歩行性能を達成する。

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、このゲーティングネットワークは、構造された地形表現を学習するための対照的な目的で訓練される。
  論文  参考訳（メタデータ） (2026-06-03T10:51:46Z)
• Perceptive Humanoid Parkour: Chaining Dynamic Human Skills via Motion Matching [77.28042137892943]
  本稿では,人間型ロボットの長期的視覚的パーキングを自律的に行うためのモジュール型フレームワークであるPerceptive Humanoid Parkour(PHP)を提案する。 本研究は、これらの合成動作に対する運動追跡強化学習専門家の政策を訓練し、それらを深度に基づく多スキル学生政策に抽出する。 我々は,Unitree G1ヒューマノイドロボットを用いた実世界実験により,我々のフレームワークを検証した。
  論文  参考訳（メタデータ） (2026-02-17T18:59:11Z)
• 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)
• Jump-Start Reinforcement Learning with Self-Evolving Priors for Extreme Monopedal Locomotion [11.692916662706361]
  本稿では,政策学習を複雑化の複数の段階に構造化するRLトレーニングフレームワークJumpERを提案する。 自己進化の先行を動的に生成することにより、JumpERは徐々に洗練され、ガイダンスが向上し、探索とポリシーの最適化が安定化される。 その結果得られた政策は、60cmまでの広い隙間、不規則な間隔の階段、距離15cmから35cmの階段石など、従来の方法が征服に苦慮する難題を効果的に処理する。
  論文  参考訳（メタデータ） (2025-07-01T23:31:36Z)
• KungfuBot: Physics-Based Humanoid Whole-Body Control for Learning Highly-Dynamic Skills [58.73043119128804]
  そこで本研究では,Kungfuやダンスなどの人体動作を高度に制御することを目的とした,物理学に基づくヒューマノイド制御フレームワークを提案する。 動作処理では,運動の抽出,フィルタリング,修正,再ターゲティングを行うパイプラインを設計し,物理的制約の遵守を確実にする。 動作模倣では、二段階最適化問題を定式化し、追従精度の許容度を動的に調整する。 実験では,高ダイナミックな動作のセットを模倣するために全身制御ポリシーを訓練する。
  論文  参考訳（メタデータ） (2025-06-15T13:58:53Z)
• StyleLoco: Generative Adversarial Distillation for Natural Humanoid Robot Locomotion [31.30409161905949]
  StyleLocoは、ヒューマノイドの移動を学ぶための新しいフレームワークである。 強化学習の機敏さと人間のような運動の自然な流動性を組み合わせる。 StyleLocoは、ヒューマノイドロボットが多様な移動作業を行うことを可能にすることを実証する。
  論文  参考訳（メタデータ） (2025-03-19T10:27:44Z)
• Gaitor: Learning a Unified Representation Across Gaits for Real-World Quadruped Locomotion [61.01039626207952]
  本稿では,移動歩行における乱れと2次元表現を学習するGaitorについて紹介する。 ゲイターの潜伏空間は容易に解釈可能であり、歩行遷移の間、新しい目に見えない歩行が出現することを発見した。 我々は,ANYmal Cプラットフォーム上でのシミュレーションと実世界におけるGaitorの評価を行った。
  論文  参考訳（メタデータ） (2024-05-29T19:02:57Z)
• Brain-Body-Task Co-Adaptation can Improve Autonomous Learning and Speed of Bipedal Walking [0.0]
  脳と体を協調して環境と相互作用させる動物にインスパイアされた私たちは、腱駆動で過剰に作動する二足歩行ロボットを提示する。 本研究は, 植物のバックドライブ可能な特性に根ざした連続的な物理的適応によって, 連続的な物理的適応がいかに駆動されるかを示す。
  論文  参考訳（メタデータ） (2024-02-04T07:57:52Z)
• Barkour: Benchmarking Animal-level Agility with Quadruped Robots [70.97471756305463]
  脚付きロボットのアジリティを定量化するための障害物コースであるBarkourベンチマークを導入する。 犬の機敏性の競争に触発され、様々な障害と時間に基づくスコアリング機構から構成される。 ベンチマークに対処する2つの方法を提案する。
  論文  参考訳（メタデータ） (2023-05-24T02:49:43Z)
• Walk These Ways: Tuning Robot Control for Generalization with Multiplicity of Behavior [12.91132798749]
  我々は、異なる方法でトレーニングタスクを解決する、ロコモーション戦略の構造化されたファミリーを符号化する単一のポリシーを学ぶ。 異なる戦略が一般化され、新しいタスクや環境に対してリアルタイムで選択できるようになり、時間を要する再トレーニングの必要性を回避できる。 高速で堅牢なオープンソースMoBロコモーションコントローラ、Walk These Waysをリリースし、足の引き込み、姿勢、速度の異なる様々な歩行を実行できる。
  論文  参考訳（メタデータ） (2022-12-06T18:59:34Z)
• Reinforcement Learning for Robust Parameterized Locomotion Control of Bipedal Robots [121.42930679076574]
  シミュレーションにおけるロコモーションポリシをトレーニングするためのモデルフリー強化学習フレームワークを提案する。 ドメインランダム化は、システムダイナミクスのバリエーションにまたがる堅牢な振る舞いを学ぶためのポリシーを奨励するために使用されます。 本研究では、目標歩行速度、歩行高さ、旋回ヨーなどの多目的歩行行動について示す。
  論文  参考訳（メタデータ） (2021-03-26T07:14:01Z)
• Learning Quadrupedal Locomotion over Challenging Terrain [68.51539602703662]
  足の移動はロボティクスの操作領域を劇的に拡張することができる。 足の移動のための従来のコントローラーは、運動プリミティブと反射の実行を明示的にトリガーする精巧な状態マシンに基づいている。 ここでは、自然環境に挑戦する際の足の移動に対して、徹底的に頑健な制御器を提案する。
  論文  参考訳（メタデータ） (2020-10-21T19:11:20Z)

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。