論文の概要: Learning Fault-Tolerant Locomotion with Adaptive Gait Timing

• arxiv url: http://arxiv.org/abs/2608.07328v1
• Date: Fri, 07 Aug 2026 15:27:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.539826
• Title: Learning Fault-Tolerant Locomotion with Adaptive Gait Timing
• Title（参考訳）: 適応的な歩行タイミングによる耐故障性ロコモーションの学習
• Abstract要約: ハードウェアの故障は、安定と移動性を維持するために調整と歩行のタイミングを再編成するために、脚のあるロボットを必要とする。 本研究では, アクチュエータ電力損失下での耐故障性ローコモーションに対する深部強化学習手法を提案する。 このアプローチは、68kg四足歩行ロボットを用いて、不均一な地形上の高忠実度シミュレーションと、平地における実世界実験で検証されている。
• 参考スコア（独自算出の注目度）: 1.1156827035309405
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hardware failures require legged robots to rapidly reorganize coordination and gait timing to maintain stability and mobility. This is particularly challenging for larger quadrupeds, where increased mass and tighter actuation limits reduce the feasibility of aggressive, high-frequency compensation strategies often observed on smaller platforms. In this work, we propose a deep reinforcement learning approach for fault-tolerant locomotion under actuator power loss. The method employs an asymmetric actor-critic architecture in which the critic has access to privileged information during training, while the actor learns to reconstruct a corresponding latent representation from proprioceptive observations. We introduce a latent-alignment loss that encourages consistency between actor and critic representations. Additionally, we augment the action space with a learnable gait frequency parameter, enabling adaptive gait timing in response to terrain variations and actuator degradation without predefined faulty-leg strategies. The approach is validated in high-fidelity simulation on uneven terrain and real-world experiments on flat ground using a 68 kg quadruped robot.
• Abstract（参考訳）: ハードウェアの故障は、安定と移動性を維持するために、足のついたロボットが迅速に調整と歩行のタイミングを再構築する必要がある。 これは特に、より大規模な四足歩行では困難であり、質量の増大とより厳密な運動制限により、より小さなプラットフォームでしばしば観察される攻撃的で高周波な補償戦略の実現可能性が低下する。 本研究では, アクチュエータ電力損失下での耐故障性ローコモーションに対する深部強化学習手法を提案する。 この方法は、アクターが訓練中に特権情報にアクセス可能な非対称なアクター・クリティカルなアーキテクチャを使用し、アクターは、プロプレッセプティブな観察から対応する潜在表現を再構築することを学ぶ。 アクターと批評家の表現の整合性を促進する潜在アライメント損失を導入する。 さらに、学習可能な歩行周波数パラメータでアクション空間を拡張し、地形の変動に対応する適応的な歩行タイミングと、予め定義された欠陥レッグ戦略を使わずにアクチュエータ劣化を可能にする。 このアプローチは、68kg四足歩行ロボットを用いて、不均一な地形上の高忠実度シミュレーションと、平地における実世界実験で検証されている。

関連論文リスト

• Predictive Style Matching: Natural and Robust Humanoid Locomotion [0.2348805691644085]
  予測スタイルマッチング(Predictive Style Matching)は、ロボットの低体状態履歴と速度コマンドを、上体関節と歩行目標の解釈にマッピングする。 ユニツリーG1では、シミュレーションとハードウェアの両方において、PSMはタスクのみのRLよりも、およそ1桁の精度で上半身スタイルの誤差を低減する。
  論文  参考訳（メタデータ） (2026-06-05T09:21:20Z)
• Walk the PLANC: Physics-Guided RL for Agile Humanoid Locomotion on Constrained Footholds [20.44610499489492]
  二足歩行ロボットは、制約された足場に移動する際にバランス、タイミング、接触決定を調整する必要がある。 本稿では,低次ステッピングプランナが動的に一貫した運動目標を供給できるロコモーションフレームワークを提案する。 この構造化されたステップ計画とデータ駆動型適応の組み合わせは、ヒューマノイドロボット上で正確で、アジャイルで、ハードウェアで検証されたステップストーンの移動を生み出す。
  論文  参考訳（メタデータ） (2026-01-09T19:56:42Z)
• 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)
• PALo: Learning Posture-Aware Locomotion for Quadruped Robots [29.582249837902427]
  本稿では,姿勢認識型移動ロボットPALoのエンド・ツー・エンド深部強化学習フレームワークを提案する。 PALoは、直線速度と角速度の同時追跡と、体高、ピッチ、ロール角度のリアルタイム調整を行う。 PALoは、シミュレートされた環境でアジャイルな姿勢認識ロコモーションコントロールを実現し、微調整なしで実世界の設定に転送することに成功した。
  論文  参考訳（メタデータ） (2025-03-06T14:13:59Z)
• 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)
• Learning Low-Frequency Motion Control for Robust and Dynamic Robot Locomotion [10.838285018473725]
  実ANYmal C四重極上で8Hzの低速動作を行う学習モーションコントローラを用いて,ロバストでダイナミックな移動を実演する。 このロボットは、1.5m/sの高速度を頑健かつ反復的に達成し、不均一な地形を横切ることができ、予期せぬ外乱に抵抗することができる。
  論文  参考訳（メタデータ） (2022-09-29T15:55:33Z)
• VAE-Loco: Versatile Quadruped Locomotion by Learning a Disentangled Gait Representation [78.92147339883137]
  本研究では,特定の歩行を構成する主要姿勢位相を捕捉する潜在空間を学習することにより,制御器のロバスト性を高めることが重要であることを示す。 本研究では,ドライブ信号マップの特定の特性が,歩幅,歩幅,立位などの歩行パラメータに直接関係していることを示す。 生成モデルを使用することで、障害の検出と緩和が容易になり、汎用的で堅牢な計画フレームワークを提供する。
  論文  参考訳（メタデータ） (2022-05-02T19:49:53Z)
• Next Steps: Learning a Disentangled Gait Representation for Versatile Quadruped Locomotion [69.87112582900363]
  現在のプランナーは、ロボットが動いている間、キー歩行パラメータを連続的に変更することはできない。 本研究では、特定の歩行を構成する重要な姿勢位相を捉える潜在空間を学習することにより、この制限に対処する。 本研究では, 歩幅, 歩幅, 立位など, 歩行パラメータに直接対応した駆動信号マップの具体的特性を示す。
  論文  参考訳（メタデータ） (2021-12-09T10:02:02Z)
• 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 Compliance Adaptation in Contact-Rich Manipulation [81.40695846555955]
  本稿では,コンタクトリッチタスクに必要な力プロファイルの予測モデルを学習するための新しいアプローチを提案する。 このアプローチは、双方向Gated Recurrent Units (Bi-GRU) に基づく異常検出と適応力/インピーダンス制御を組み合わせたものである。
  論文  参考訳（メタデータ） (2020-05-01T05:23:34Z)

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。