論文の概要: Vision-Based Dribbling for Humanoid Soccer via Privileged Representation Learning
- arxiv url: http://arxiv.org/abs/2607.12702v1
- Date: Tue, 14 Jul 2026 12:27:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-15 17:08:30.140365
- Title: Vision-Based Dribbling for Humanoid Soccer via Privileged Representation Learning
- Title（参考訳）: 原始表現学習によるヒューマノイドサッカーのための視覚ベースドリブル
- Abstract要約: アクティブな相手を回避しながらサッカーボールをドリブルするには、同時バランス、正確なボール制御、およびオンボードセンシングおよびリアルタイム制約下での動的敵の認識が必要である。
本稿では,時間深度エンコーダをタスク固有のプロジェクション層を通じて強化学習ポリシーに組み込む手法を提案する。
我々は,この枠組みをシミュレーションされたブースターT1ヒューマノイドロボットに適用し,深度観測から直接視覚に基づく対戦意識のドリブルを学習可能であることを示す。
- 参考スコア（独自算出の注目度）: 2.1866669929322837
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in humanoid robotics have highlighted the importance of deployable loco-manipulation skills. Dribbling a soccer ball while evading active opponents requires simultaneous balance, precise ball control, and awareness of a dynamic adversary under onboard sensing and real-time constraints. Existing approaches typically separate perception and motion, which can be effective in controlled settings but may fail under occlusions, fast ball movements, and complex opponent interactions, since perception is not directly optimized for control. We propose an integrated approach in which a temporal depth encoder is embedded into a reinforcement learning policy through a task-specific projection layer. We apply this framework to a simulated Booster T1 humanoid robot and show that it is possible to learn vision-based, opponent-aware dribbling directly from depth observations, without explicit state estimation or privileged scene information. The learned policy achieves 100% success in nominal target-driven dribbling and 96% success with a single static obstacle, while reaching 46% success against an actively moving ball-attacker opponent. These results demonstrate that the proposed framework supports robust vision-based dribbling in nominal and moderately dynamic settings, and provides a strong foundation for handling more challenging moving-adversary scenarios.
- Abstract（参考訳）: 近年のヒューマノイドロボティクスの進歩は、展開可能なロボマニピュレーションスキルの重要性を強調している。
アクティブな相手を回避しながらサッカーボールをドリブルするには、同時バランス、正確なボール制御、およびオンボードセンシングおよびリアルタイム制約下での動的敵の認識が必要である。
既存のアプローチでは、知覚と運動を分離するのが一般的であり、これは制御された設定において有効であるが、知覚が直接制御に最適化されないため、閉塞、高速球運動、複雑な相手の相互作用の下で失敗する可能性がある。
本稿では,時間深度エンコーダをタスク固有のプロジェクション層を通じて強化学習ポリシーに組み込む手法を提案する。
我々は,この枠組みをシミュレーションされたブースターT1ヒューマノイドロボットに適用し,視覚をベースとした対人意識のドリブリングを直接深度観測から学習できることを示す。
学習された方針は、名目的目標駆動のドリブルで100%成功し、単一の静的障害物で96%成功し、活発に動くボール攻撃者に対して46%成功している。
これらの結果から,提案フレームワークは名目上かつ適度にダイナミックな設定で堅牢な視覚ベースのドリブルをサポートし,より困難な移動支援シナリオを扱うための強力な基盤を提供することが示された。
関連論文リスト
- Mind Your Steps: A General Learning Framework for Accurate Humanoid Foothold Tracking [78.30338456206984]
本稿では,汎用3D足場追跡ポリシーをトレーニングするための新しいフレームワークを提案する。
本手法は, 目標検層による足場支援を動的に行うことにより, 学習方針を特定の地形に依存しないものにする。
我々の新しいターゲット表現は、雑音や不正確なポーズ推定や足の接触推定といった現実の課題を効果的に緩和する。
論文 参考訳（メタデータ） (2026-06-06T16:44:56Z) - SMASH: Mastering Scalable Whole-Body Skills for Humanoid Ping-Pong with Egocentric Vision [53.709632118234936]
Methodnameはアジャイルなヒューマノイドテーブルテニスのためのモジュールシステムである。
これは、スケーラブルな全身スキル学習と、オンボードの自我中心の認識を統一する。
そこで本研究では,オンボードセンシングだけで連続的なストライクを行うことができる最初のヒューマノイドテーブルテニスシステムについて紹介する。
論文 参考訳（メタデータ） (2026-04-01T17:11:52Z) - CyboRacket: A Perception-to-Action Framework for Humanoid Racket Sports [12.562008425243578]
CyboRacketはヒューマノイドラケットスポーツのための階層的な知覚と行動のフレームワークである。
搭載されている視覚認識、物理に基づく軌道予測、大規模で事前訓練された全身制御を統合している。
視覚に基づくヒューマノイドテニスハイティングの課題について述べる。
論文 参考訳（メタデータ） (2026-03-15T21:01:14Z) - Learning Soccer Skills for Humanoid Robots: A Progressive Perception-Action Framework [50.6604971348824]
サッカーはヒューマノイドロボットにとって重要な課題であり、密に統合された知覚アクション機能を必要としている。
本稿では,サッカースキル獲得を3段階に分割するプログレッシブアーキテクチャであるパーセプション・アクション統合意思決定(PAiD)を提案する。
ユニトリーG1の実験では、多種多様な条件下で頑健な性能を持つ高忠実な人間のような蹴りが実証された。
論文 参考訳（メタデータ） (2026-02-05T05:05:03Z) - Learning Agile Striker Skills for Humanoid Soccer Robots from Noisy Sensory Input [28.158114356214863]
本稿では,ヒューマノイドロボットが頑健な連続的球技の実行を可能にする強化学習システムを提案する。
このシステムは典型的な教師教育の枠組みを拡張している。
鍵となる設計要素は、シム・トゥ・リアルギャップを閉じ、知覚の不確実性の下で性能を維持するために重要である。
論文 参考訳（メタデータ） (2025-12-06T21:27:50Z) - Dexplore: Scalable Neural Control for Dexterous Manipulation from Reference-Scoped Exploration [58.4036440289082]
ハンドオブジェクトモーションキャプチャ(MoCap)は、大規模でコンタクトに富んだデモと、器用なロボットスコープの約束を提供する。
Dexploreは、リポジトリとトラッキングを実行し、MoCapから直接ロボット制御ポリシーを学習する、統一された単一ループ最適化である。
論文 参考訳（メタデータ） (2025-09-11T17:59:07Z) - 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) - Learning coordinated badminton skills for legged manipulators [12.514822343998908]
我々は,手足の移動マニピュレータがバドミントンを奏でるようにするためのアプローチを提案する。
本研究は,全身運動能力のための強化学習に基づく統一的制御政策を提案する。
本手法は,シャトルコック予測モデル,ロバスト動作制御のための制約付き強化学習,システム同定技術を含む。
論文 参考訳（メタデータ） (2025-05-29T01:26:30Z) - Open-World Drone Active Tracking with Goal-Centered Rewards [62.21394499788672]
Drone Visual Active Trackingは、視覚的な観察に基づいてモーションシステムを制御することで、対象物を自律的に追跡することを目的としている。
DATは,世界初となるエア・ツー・グラウンド・トラッキング・ベンチマークである。
また,複雑なシナリオにおけるドローン追跡目標の性能向上を目的としたGC-VATを提案する。
論文 参考訳（メタデータ） (2024-12-01T09:37:46Z) - DexDribbler: Learning Dexterous Soccer Manipulation via Dynamic Supervision [26.9579556496875]
移動物体の協調操作と,サッカーなどの足による移動は,学習コミュニティにおいて目立たない注目を集める。
出力をダイナミックな関節レベル移動監視として使用し,必要な身体レベルの動きを正確に計算するフィードバック制御ブロックを提案する。
我々は,我々の学習手法が政策ネットワークをより早く収束させるだけでなく,サッカーロボットが高度な操作を行うことを可能にすることを観察した。
論文 参考訳（メタデータ） (2024-03-21T11:16:28Z)
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。