論文の概要: Rapid Embodiment Adaptation for Quadrupedal Locomotion

• arxiv url: http://arxiv.org/abs/2608.01506v2
• Date: Wed, 05 Aug 2026 23:16:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 17:43:06.612228
• Title: Rapid Embodiment Adaptation for Quadrupedal Locomotion
• Title（参考訳）: 四足足歩行に対する迅速な身体適応法
• Abstract要約: 人間は身体が老朽化、怪我、荷物を運ぶことで容易に動きを変えるが、ハードウェア特性が変化すると、学習ベースのロボットポリシーは壊れることが多い。 短時間の相互作用履歴から実施パラメータを推定する四足歩行のためのオンライン実施適応フレームワークを提案する。 本手法は,半秒以内の物理的変化を識別する軽量適応モジュールと,具体的ランダム化の下で訓練されたジェネラリストポリシーを組み合わせたものである。
• 参考スコア（独自算出の注目度）: 34.58092949618632
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Humans readily adapt their movements as their bodies change through aging, injury, or load carrying, but learning-based robot policies often break when hardware properties shift. We introduce an online embodiment adaptation framework for quadrupedal locomotion that infers embodiment parameters from short interaction histories and conditions control on the inferred hardware state. Our method pairs a generalist policy trained under embodiment randomization with a lightweight adaptation module that identifies physical changes within half a second. We evaluate two representative forms of embodiment variation: joint-range constraints and trunk-mass changes, corresponding to joint-level kinematic degradation and body-level dynamic variation. In simulation, the module accurately estimates these changes and enables closed-loop control that substantially outperforms policies conditioned directly on interaction history. On a real Unitree Go2 robot, our system maintains stable locomotion under severe instances of the evaluated changes, including a fully locked leg and a 5 kg payload, where non-adaptive methods fail. These results demonstrate the practicality of explicit online embodiment identification for rapid adaptation to joint-limit and payload-mass changes, and provide a step toward handling broader forms of uncertain, degraded, or changing robot hardware.
• Abstract（参考訳）: 人間は身体が老朽化、怪我、荷物を運ぶことで容易に動きを変えるが、ハードウェア特性が変化すると、学習ベースのロボットポリシーは壊れることが多い。 本稿では,短いインタラクション履歴から実施パラメータを推定し,推定ハードウェア状態の条件制御を行う,四足歩行のためのオンライン実施適応フレームワークを提案する。 本手法は,半秒以内の物理的変化を識別する軽量適応モジュールと,具体的ランダム化の下で訓練されたジェネラリストポリシーを組み合わせたものである。 本研究では, 関節域の制約とトランク質量の変化の2つの形態を, 関節レベルの運動学的劣化と身体レベルの動的変動に対応して評価した。 シミュレーションでは、モジュールはこれらの変化を正確に推定し、相互作用履歴に直接条件付けされたポリシーを大幅に上回るクローズドループ制御を可能にする。 実際のUnitree Go2ロボットでは、完全にロックされた脚と適応的でないメソッドが失敗する5kgのペイロードを含む、評価された変更の厳しい事例に対して、安定した移動を維持できる。 これらの結果は,共同限界・ペイロード質量変化に迅速に適応するための明示的なオンライン実施形態同定の実用性を示し,不確実性,劣化,あるいはロボットハードウェアの変更といった幅広い形態を扱うためのステップを提供する。

関連論文リスト

• Learning Context-Aware Neural ODE Dynamics for Adaptive Robotic Control [55.01272784312405]
  本稿では,ニューラル常微分方程式に基づく文脈認識力学モデルを提案する。 Sphero BOLTロボットとFanucマニピュレータを実世界の実験で使用した。
  論文  参考訳（メタデータ） (2026-06-13T20:55:46Z)
• FastGrasp: Learning-based Whole-body Control method for Fast Dexterous Grasping with Mobile Manipulators [30.405863830176028]
  そこで我々は,移動型高速グリーティングのための,把握誘導,全身制御,触覚フィードバックを統合した学習ベースのフレームワークを提案する。 筆者らの2段階強化学習戦略はまず,多様な把握候補を生成する。 実験はシミュレーションと実世界のシナリオの両方において優れた把握性能を示す。
  論文  参考訳（メタデータ） (2026-04-14T15:30:57Z)
• MorFiC: Fixing Value Miscalibration for Zero-Shot Quadruped Transfer [50.54752207285298]
  異なる形態を持つ四足歩行ロボット間で学習された移動ポリシーを一般化することは、依然として課題である。 単一共有ポリシを用いたゼロショットクロスモルフォロジーロコモーションのための強化学習手法であるMorFiCを提案する。 また,MorFiCは,形態素間の値予測誤差の分散を低減し,有利な推定値を安定化することを示した。
  論文  参考訳（メタデータ） (2026-03-15T19:03:34Z)
• MOTIF: Learning Action Motifs for Few-shot Cross-Embodiment Transfer [55.982504915794514]
  クロス・エボディメント・ポリシーは一般的に共有プライベート・アーキテクチャに依存している。 本報告では,MOTIFを効率よく数発のクロスボディーメントトランスファーに適用する。 我々はMOTIFが数発の転送シナリオにおいて強いベースラインを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2026-02-14T13:21:40Z)
• General Humanoid Whole-Body Control via Pretraining and Fast Adaptation [36.02965821695238]
  本稿では,FAST(Fast Adaptation and Staable Motion Tracking)とFAST(Fast Adaptation and Staable Motion Tracking)を併用した汎用ヒューマノイド全身制御フレームワーク)を提案する。 FASTはParseval-Guided Residual Policy AdaptationとCenter-of-Mass-Aware Controlを導入した。 シミュレーションと実世界の展開の実験では、FASTはロバスト性、適応効率、一般化において、最先端のベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-02-12T13:26:22Z)
• AdaMorph: Unified Motion Retargeting via Embodiment-Aware Adaptive Transformers [49.796014934503184]
  本研究では、単一モデルで多様なロボット形態に人間の動きを適応させることができる統一型ニューラルネットワークフレームワークを提案する。 12個の異なるヒューマノイドロボットの実験結果から、AdaMorphが異種トポロジにわたって効果的に制御できることが示されている。
  論文  参考訳（メタデータ） (2026-01-12T07:39:38Z)
• Surrogate compliance modeling enables reinforcement learned locomotion gaits for soft robots [5.193389420813379]
  適応型形態形成ロボットは、変化するタスクや環境条件を満たすために形態と制御ポリシーに適応する。 このようなシステムの多くは、形状変形を可能にするソフトコンポーネントを利用するが、シミュレーションや制御の課題も導入している。 本稿では,ソフトボディ物理を明示的にモデル化する代わりに,剛体シミュレータ内でのソフトマテリアル変形を表す間接変数を導入する。
  論文  参考訳（メタデータ） (2025-12-08T02:52:42Z)
• MULE: Multi-terrain and Unknown Load Adaptation for Effective Quadrupedal Locomotion [1.479858319622657]
  四足歩行ロボットは、様々な地形にまたがる荷積み作業にますます利用されている。 本研究では,四足歩行ロボットが様々なペイロードと多様な地形に適応できる適応強化学習フレームワークを提案する。 提案手法はIsaac Gymの大規模シミュレーション実験と,Unitree Go1の4倍体上での実際のハードウェア展開により検証する。
  論文  参考訳（メタデータ） (2025-05-01T12:41:35Z)
• Adapt On-the-Go: Behavior Modulation for Single-Life Robot Deployment [88.06408322210025]
  展開中のシナリオにオンザフライで適応する問題について検討する。 ROAM(RObust Autonomous Modulation)は,事前学習した行動の知覚値に基づくメカニズムを提案する。 ROAMによりロボットはシミュレーションと実Go1の四足歩行の両方の動的変化に迅速に適応できることを示す。
  論文  参考訳（メタデータ） (2023-11-02T08:22:28Z)
• Meta-Reinforcement Learning for Adaptive Motor Control in Changing Robot Dynamics and Environments [3.5309638744466167]
  この研究は、ロバストな移動のための異なる条件に制御ポリシーを適応させるメタラーニングアプローチを開発した。 提案手法は, インタラクションモデルを更新し, 推定された状態-作用軌道のアクションをサンプル化し, 最適なアクションを適用し, 報酬を最大化する。
  論文  参考訳（メタデータ） (2021-01-19T12:57:12Z)

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。