論文の概要: Light-Loco-Parkour: Versatile Perceptive Whole-Body Locomotion via Multi-Skill Distillation
- arxiv url: http://arxiv.org/abs/2608.02653v1
- Date: Sat, 01 Aug 2026 06:38:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 07:04:20.666837
- Title: Light-Loco-Parkour: Versatile Perceptive Whole-Body Locomotion via Multi-Skill Distillation
- Title（参考訳）: Light-Loco-Parkour:マルチスキル蒸留によるVersatile Perceptive Whole-Body Locomotion
- Abstract要約: 終端から終端まで知覚的な全身移動システムである textttLight-Loco-Parkour (LLP) を提案する。
ポリシーは、基準入力、スキルラベル、手書きゲート、実行時モーショングラフなしで、いつ歩くか、バランスをとるか、昇るか、ステップダウンするか、またはVaultを決定する。
シミュレーションと実世界の実験は、ベンチマークされた地形と見えない障害物の変化の両方で高い成功を示している。
- 参考スコア（独自算出の注目度）: 23.823908892458306
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing humanoid whole-body control systems still fall short of the way humans move through cluttered terrain: they either track expressive whole-body references without terrain generalization, or react to terrain online while leaving the arms, torso, and knees largely unused. We present \texttt{Light-Loco-Parkour} (LLP), an end-to-end perceptive whole-body locomotion system that closes this gap with a single deployable policy. Conditioned only on onboard depth and a velocity command, the policy decides when to walk, balance, climb, step down, or vault, with no reference input, skill label, hand-coded gate, or runtime motion graph. Compared with prior humanoid systems, LLP makes three contributions. First, it introduces a whole-body perceptive-control pipeline that extends an RL-trained, velocity-tracking locomotion policy with parkour skills learned from object-interacting motions, so the same policy tracks velocity in open terrain, executes whole-body traversal at obstacles, and resumes locomotion afterward. Second, it acquires terrain-conditioned skills from sparse seeds by expanding a single motion into dynamically feasible, terrain-paired references across obstacle geometry, rather than relying on a large motion corpus. Third, it learns autonomous skill transitions from reward, letting the policy decide when and which whole-body skill to invoke from depth and command alone, with no one-hot skill label, hand-coded state machine, or runtime motion generator. Simulation and real-world experiments show high success across both benchmarked terrains and unseen obstacle variations, and the same policy transfers zero-shot to indoor and outdoor hardware experiments. These results demonstrate autonomous perceptive whole-body locomotion on a humanoid in outdoor settings, using only onboard sensing and a single deployable policy.
- Abstract（参考訳）: 既存のヒューマノイドの全身制御システムは、人間が散らばった地形を移動する方法には及ばない。地形の一般化なしに、表現力のある全身参照を追跡するか、腕や胴体、膝をほとんど使わないまま、オンラインで地形に反応する。
本稿では,このギャップを単一デプロイ可能なポリシで埋めるエンド・ツー・エンドのパーセプティブな全身移動システムである‘texttt{Light-Loco-Parkour} (LLP) を提案する。
オンボード深度とベロシティコマンドのみを条件に、基準入力、スキルラベル、手書きゲート、実行時モーショングラフなしで、いつ歩くか、バランスを取るか、昇るか、ステップダウンするか、またはヴォールトを決定する。
以前のヒューマノイドシステムと比較すると、LPPは3つの貢献をしている。
第一に、RL訓練された速度追跡ロコモーションポリシーを拡張した全身の知覚制御パイプラインを導入し、物体間の動きから学習したパールスキルを用いて、同じポリシーがオープンな地形での速度を追跡し、障害物に対して全身の移動を実行し、その後で移動を再開する。
第二に、単一の動きを大きな運動コーパスに頼るのではなく、障害物幾何学全体にわたって動的に実現可能なランドスケープに拡張することで、まばらな種から地形条件のスキルを得る。
第3に、報酬から自律的なスキル移行を学び、ワンホットのスキルラベル、手書きのステートマシン、実行時モーションジェネレータを使用せずに、深さとコマンドだけで、いつ、どの全身スキルを起動するかをポリシーが決定する。
シミュレーションと実世界の実験は、ベンチマークされた地形と見えない障害物の変化の両方で高い成功を示し、同じ方針はゼロショットを屋内および屋外のハードウェア実験に転送する。
これらの結果は,屋外のヒューマノイド上での自律的知覚的全身移動を,オンボードセンシングと単一展開可能なポリシーを用いて示すものである。
関連論文リスト
- Learning Whole-Body Humanoid Locomotion via Motion Generation and Motion Tracking [22.8041193953823]
高次元制御、形態的不安定性、および車載認識を用いた様々な地形へのリアルタイム適応の必要性により、全身のヒューマノイド移動は困難である。
本研究では,参照動作から学んだスキルと地形認識適応を組み合わせた全身ヒューマノイド移動フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-19T09:02:55Z) - 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) - TextOp: Real-time Interactive Text-Driven Humanoid Robot Motion Generation and Control [62.93681680333618]
TextOpはリアルタイムテキスト駆動型ヒューマノイドモーション生成および制御フレームワークである。
ストリーミング言語コマンドと実行中のオンザフライ命令修正をサポートする。
対話型モーション生成を堅牢な全身制御でブリッジすることで、TextOpは自由形式のインテント表現をアンロックする。
論文 参考訳（メタデータ） (2026-02-07T08:42:11Z) - Deep Whole-body Parkour [33.232856360240106]
本研究では,外感知覚を全身運動追跡に組み込む枠組みを提案する。
制御ループに知覚を統合するという非自明な利点を実証する。
その結果、このフレームワークは、非構造地形上でのボウトやダイブローリングのような、堅牢で高ダイナミックなマルチコンタクト運動を可能にする。
論文 参考訳（メタデータ） (2026-01-12T16:33:16Z) - Locomotion Beyond Feet [35.148387990120014]
Locomotion Beyond Feetは、挑戦的な地形を横断する全身のヒューマノイド・ロコモーションのための総合システムである。
我々のアプローチは、コンタクトリッチなモーションプランニングと、多様な地形における一般化という、2つの主要な課題に対処する。
キーフレームは人間のモータースキルの知識を符号化し、具体化に特化しており、シミュレーションやハードウェア上で容易に検証できる。
論文 参考訳（メタデータ） (2026-01-07T05:36:39Z) - 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) - A Unified and General Humanoid Whole-Body Controller for Versatile Locomotion [30.418274871034775]
本稿では,多目的移動のためのヒューマノイド全体制御系であるHugWBCを提案する。
HugWBCは、タスクや振る舞いの面において一般的なコマンド空間を設計することにより、現実世界のヒューマノイドロボットが様々な自然歩行を生成できるようにする。
HugWBCは遠隔操作のような外部上半身コントローラからのリアルタイムの介入もサポートし、精度の高いロコ操作を可能にする。
論文 参考訳（メタデータ） (2025-02-05T14:26:01Z) - SoloParkour: Constrained Reinforcement Learning for Visual Locomotion from Privileged Experience [19.817578964184147]
Parkourは、足のついたロボットにとって重要な課題であり、限られた感覚入力に基づいて、俊敏性と精度で複雑な環境をナビゲートする必要がある。
本稿では,深度画素からロボット制御コマンドに至るまでのエンドツーエンドの視覚ポリシーをトレーニングし,アジャイルで安全な四足歩行を実現するための新しい手法を提案する。
本研究では,実際のSolo-12ロボットにおいて,歩行,登山,跳躍,クロールなど,さまざまなパーキングスキルを実行する能力を示す。
論文 参考訳（メタデータ） (2024-09-20T17:39:20Z) - 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) - 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) - 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。