論文の概要: Bicycle Acrobatics with Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2608.00880v1
• Date: Sat, 01 Aug 2026 21:54:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:24.968393
• Title: Bicycle Acrobatics with Reinforcement Learning
• Title（参考訳）: 強化学習による自転車アクロバット
• Abstract要約: 強化学習(Reinforcement Learning)を用いて、自転車ロボットが動的アクロバティックなスタントを多種多様なレパートリーで学習し、構成できるようにする。 このロボットは、自律的なシングルとマルチテーブルの前方と側面のジャンプ、ステアブルジャンプ、フロントフリップ、キップアップ、キップダウン、ドライブ、ウイリー、バニーホップ、そして3ポイントのターンを取得する。 我々は、シミュレーションとハードウェアにおいて、カスタム自転車ロボットであるUltra Mobility Vehicle(UMV)のアプローチを検証する。
• 参考スコア（独自算出の注目度）: 3.1700350168889018
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Bicycle robots are fast and energy efficient, but their simple mechanical design and their underactuated and non-holonomic dynamics make highly agile maneuvers difficult to achieve. Here, we use Reinforcement Learning (RL) to enable a bicycle robot to learn and compose a diverse repertoire of dynamic acrobatic stunts. Using different RL formulations such as waypoint following, pose reaching, twist tracking, guided tracking, and motion imitation, the robot acquires autonomous single and multi-table forward and lateral jumps, steerable jumps, front flips, kip-ups, kip-downs, driving, wheelies, bunny hops, and three-point turns. To coordinate these behaviors, we introduce an orchestrator that transitions between policies using state-dependent triggers, enabling robust long-horizon acrobatic stunts. We validate the approach on the Ultra Mobility Vehicle (UMV), a custom bicycle robot, in simulation and hardware. The robot repeatedly traverses tables up to 1 m high, performs more than 15 consecutive autonomous jumps while following waypoints, handles previously unseen multi-table configurations, executes continuous repertoires of kipups, jumps, flips, kip-downs, over more than 20 consecutive trials, and performs more than 10 consecutive autonomous and steerable repertoires of wheelies, lateral jumps, and single-wheel jump downs. These results demonstrate that RL can endow bicycle robots with levels of agility previously associated primarily with legged platforms while preserving the speed and efficiency of wheeled locomotion, establishing a foundation for bicycle acrobatics.
• Abstract（参考訳）: 自転車ロボットは高速でエネルギー効率が良いが、その単純な機械設計とその不活性化された非ホロノミック力学は、非常にアジャイルな操作を実現するのを困難にしている。 ここでは、強化学習(Reinforcement Learning, RL)を用いて、自転車ロボットが動的アクロバティックなスタントを多種多様なレパートリーに学習し、構成できるようにする。 ロボットは、ウェイポイントフォロー、ポーズリーチ、ツイストトラッキング、ガイド付きトラッキング、モーション模倣などの異なるRL式を使用して、自律的なシングルとマルチテーブル前方および横ジャンプ、ステアブルジャンプ、フロントフリップ、キップアップ、キップダウン、ドライビング、ウイリー、バニーホップ、および3ポイントターンを取得する。 これらの動作を調整するために、状態依存的なトリガーを使用してポリシー間の遷移を行うオーケストレータを導入し、ロバストな長距離アクロバティックなスタントを可能にする。 我々は、シミュレーションとハードウェアにおいて、カスタム自転車ロボットであるUltra Mobility Vehicle(UMV)のアプローチを検証する。 ロボットは、高さ1mまでのテーブルを何度も横切り、ウェイポイントに従って15以上の連続的な自律ジャンプを行い、以前は見えないマルチテーブル構成を処理し、キップスの連続的なレパートリー、ジャンプ、フリップ、キップダウン、20以上の連続的なトライアルを実行し、ホイール、横ジャンプ、単輪ジャンプダウンの連続的な自律的および操舵可能なレパートリーを実行する。 以上の結果から,RLは車輪付き移動の速度と効率を保ちながら,従来は脚付きプラットフォームに関係していた機敏性レベルを持つ自転車ロボットを支援できることが示唆された。

関連論文リスト

• Control Design for a Rideable Animatronic Two-Wheeled Robot with Quadruped Form [0.0]
  我々は,将来のパートナーモビリティの概念として,四肢を装備した乗用二輪ロボットを開発した。 このロボットによって再現されたキャラクタは、背中にプロタゴニストを持ち、動的四足歩行を示す。 本研究では,手足の急速移動時の安定性を維持する頑健な自己バランス制御手法に着目する。
  論文  参考訳（メタデータ） (2026-07-14T04:22:39Z)
• Reinforcement Learning-Based Control for an Inline Skating Humanoid Robot [10.006591553493807]
  我々は,従来の足の代わりにインラインスケートを装備するように改造されたヒューマノイドロボットの新たな移動戦略を実現するための強化学習制御ポリシを訓練し,展開する。 私たちのスケート戦略は、人間のモーションデータ、模倣学習、またはキネマティック先行に頼らずに、報酬構造から完全に現れます。 我々の政策は、通常の歩行歩行よりも輸送コストが50%削減されることを実証している。
  論文  参考訳（メタデータ） (2026-06-30T15:25:06Z)
• System Design of the Ultra Mobility Vehicle: A Driving, Balancing, and Jumping Bicycle Robot [20.113840669330596]
  トライアルサイクリストとマウンテンバイクライダーは、ホップ、ジャンプ、バランスをとり、一方または両側の車輪で運転することができる。 この23.5kgのロボットは、高速で大きな障害物を乗り越えることができる。
  論文  参考訳（メタデータ） (2026-02-25T17:05:09Z)
• Jumping Control for a Quadrupedal Wheeled-Legged Robot via NMPC and DE Optimization [14.88101223616473]
  四足歩行ロボットは、足歩行と車輪移動の利点を組み合わせて、より優れた移動性を実現する。 ダイナミックジャンプの実行は、車輪付きの脚によって導入された追加の自由度のために、依然として重要な課題である。 そこで本研究では,アジャイル運動のための小型の車輪付き脚ロボットを開発し,新しい動き制御フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-25T06:13:59Z)
• 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)
• Humanoid Whole-Body Locomotion on Narrow Terrain via Dynamic Balance and Reinforcement Learning [54.26816599309778]
  動的バランスと強化学習(RL)に基づく新しい全身移動アルゴリズムを提案する。 具体的には,ZMP(Zero-Moment Point)駆動の報酬とタスク駆動の報酬を,全身のアクター批判的枠組みで拡張した尺度を活用することで,動的バランス機構を導入する。 フルサイズのUnitree H1-2ロボットによる実験により、非常に狭い地形でのバランスを維持するための手法の有効性が検証された。
  論文  参考訳（メタデータ） (2025-02-24T14:53:45Z)
• Reinforcement Learning for Versatile, Dynamic, and Robust Bipedal Locomotion Control [106.32794844077534]
  本稿では,二足歩行ロボットのための動的移動制御系を構築するために,深層強化学習を用いた研究について述べる。 本研究では、周期歩行やランニングから周期ジャンプや立位に至るまで、様々な動的二足歩行技術に使用できる汎用的な制御ソリューションを開発する。 この研究は、二足歩行ロボットの俊敏性の限界を、現実世界での広範な実験を通じて押し上げる。
  論文  参考訳（メタデータ） (2024-01-30T10:48:43Z)
• Robot Parkour Learning [70.56172796132368]
  Parkourは、さまざまな障害物を素早く克服するロボットを必要とする、足で動くロボットにとって、大きな挑戦だ。 我々は,パープルスキルを生成するために,直接コロケーションにインスパイアされた強化学習手法を開発した。 我々は、これらの技術を単一の視覚に基づくパーサーポリシーに抽出し、エゴセントリックな深度カメラを用いて四足歩行ロボットに転送する。
  論文  参考訳（メタデータ） (2023-09-11T17:59:17Z)
• 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)
• Robust and Versatile Bipedal Jumping Control through Reinforcement Learning [141.56016556936865]
  この研究は、トルク制御された二足歩行ロボットが実世界で頑丈で多目的なダイナミックジャンプを行えるようにすることで、二足歩行ロボットの機敏さの限界を推し進めることを目的としている。 本稿では,ロボットが様々な場所や方向へジャンプするなど,さまざまなジャンプタスクを達成するための強化学習フレームワークを提案する。 我々は,ロボットの長期入出力(I/O)履歴を符号化し,短期I/O履歴への直接アクセスを可能にする新しいポリシー構造を開発する。
  論文  参考訳（メタデータ） (2023-02-19T01:06:09Z)
• Advanced Skills through Multiple Adversarial Motion Priors in Reinforcement Learning [10.445369597014533]
  本稿では, 対向運動に基づく強化学習の概念を強化するためのアプローチを提案する。 複数のスタイルやスキルを,顕著なパフォーマンスの違いを伴わずに同時に学習できることが示される。 本手法は車輪付き四脚ロボットを用いた実世界実験で実証された。
  論文  参考訳（メタデータ） (2022-03-23T09:24:06Z)

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。