論文の概要: Whole-Body Planning for Humanoids Navigating Confined Spaces via Self-Collision Avoidance References

• arxiv url: http://arxiv.org/abs/2608.10220v1
• Date: Mon, 10 Aug 2026 20:45:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.809618
• Title: Whole-Body Planning for Humanoids Navigating Confined Spaces via Self-Collision Avoidance References
• Title（参考訳）: 自己衝突回避基準による閉空間をナビゲートするヒューマノイドの全身計画
• Abstract要約: 高度に制限された環境でのヒューマノイド移動は、密集した環境障害と複雑な自己衝突境界をナビゲートする必要がある。 運動学的に到達可能な剛体ボリューム上での運動経路計画を直接定式化する3段階の全身計画フレームワークを提案する。 本フレームワークは,12～18秒のタスクに対して,標準ベースラインが故障した場合に,複雑な足と手との接触が可能なトラジェクタを生成する。
• 参考スコア（独自算出の注目度）: 2.8747398859585385
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Humanoid locomotion in highly confined environments requires navigating dense environmental obstacles and complex self-collision bounds while maintaining multi-contact dynamic feasibility. Traditional trajectory optimizers frequently struggle in these restricted spaces, as navigating the large collision space with splines on particle abstractions is insufficient and leads to poor local minima. To address this, we propose a three-stage whole-body planning framework that formulates kinematic path planning directly over kinematically reachable rigid-body volumes. By integrating differentiable collision avoidance into a reachability-constrained formulation, our framework synthesizes volume-informed guides that reliably guide a full-order trajectory optimizer over long horizons. We show that these optimized plans serve as high-quality references to train a residual reinforcement learning policy for robust online execution. We validate our approach on the Unitree G1 humanoid across three benchmark testbeds exceeding NIST emergency response standards, achieving restricted confinement ratios ($C_r < 1.5$). Our framework generates feasible trajectories across 12-to-18-second tasks with complex foot and hand contacts where standard baselines fail, while the learned policy successfully tracks these plans under extensive domain randomization in physics simulation.
• Abstract（参考訳）: 高度に制限された環境でのヒューマノイド移動は、多接触動的実現可能性を維持しながら、密集した環境障害や複雑な自己衝突境界をナビゲートする必要がある。 従来の軌道オプティマイザはこれらの制限された空間でしばしば苦労するが、粒子抽象のスプラインで大きな衝突空間をナビゲートすることは不十分であり、局所的なミニマが不足する。 そこで本研究では,運動学的に到達可能な剛体容積上での運動経路計画を定式化する3段階の全体計画フレームワークを提案する。 到達性に制約のある定式化に異種衝突回避を組み込むことにより,長い水平線上の全方向軌道最適化器を確実に案内するボリュームインフォームドガイドを合成する。 これらの最適化された計画は、厳格なオンライン実行のための残留強化学習ポリシーを訓練するための高品質な参照として機能することを示します。 我々は,NIST緊急応答基準を超える3つのベンチマークテストベッドにおいて,Unitree G1ヒューマノイドに対するアプローチを検証し,制限留置率(C_r < 1.5$)を達成した。 本フレームワークは,12～18秒のタスクにおいて,標準ベースラインがフェールした場合の複雑な足と手との接触を伴う実現可能なトラジェクトリを生成する。

関連論文リスト

• AutoPath: Learning Transferable Goal-Conditioned Stochastic Path Prior for Safe Navigation Without Human Demonstrations [103.61864552260316]
  動的環境におけるリアルタイムナビゲーションは、限られた知覚下での衝突のない、動的に実現可能な動きを必要とする。 我々は,移動可能な目標整合経路の学習としてナビゲーションを定式化し,局所的な観測に基づいて,目標整合な局所経路上の再利用可能な分布をモデル化する。 我々は、幾何対応の極性行動多様体を用いて局所経路をパラメータ化し、安定かつ安全対応の計画のためのマルチゴール分散ロールアウトによるリスク感応性ユーティリティシェーピングを含む構造化された事前学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-07-13T16:00:41Z)
• Learning Reactive Dexterous Grasping via Hierarchical Task-Space RL Planning and Joint-Space QP Control [50.28263951510334]
  本稿では,リアクティブなデクスタリーグルーピングのためのハイブリッド階層型制御フレームワークを提案する。 提案手法は,低レベル共同実行から高レベル空間意図を明示的に分離する。 我々は厳密なシミュレーションと現実のパイプラインを通して提案したフレームワークを広範囲に検証する。
  論文  参考訳（メタデータ） (2026-05-05T04:49:38Z)
• Navigating the Clutter: Waypoint-Based Bi-Level Planning for Multi-Robot Systems [54.887871365121775]
  乱雑な環境におけるマルチロボット制御は、複雑な物理的制約を伴う難しい問題である。 タスクとモーションプランニングを協調的に最適化するハイブリッドマルチロボット制御フレームワークを提案する。 我々のアプローチは、動作に依存しないベースラインとVLAベースのベースラインよりもタスクの成功を継続的に改善する。
  論文  参考訳（メタデータ） (2026-04-22T22:58:47Z)
• HAD: Combining Hierarchical Diffusion with Metric-Decoupled RL for End-to-End Driving [51.268878540511054]
  我々は階層的拡散政策を備えたエンドツーエンドの計画フレームワークであるHADを提案する。 我々は,NAVSIMとHUGSIMの両方でHADが新たな最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-04-04T04:12:47Z)
• VORL-EXPLORE: A Hybrid Learning Planning Approach to Multi-Robot Exploration in Dynamic Environments [19.811711277536187]
  マルチロボット探索は通常、フロンティア割り当てをローカルナビゲーションから切り離す。 VORL-EXPLOREは,この制約に対処するハイブリッド学習・計画フレームワークである。 また、グローバルA*ガイダンスとリアクティブ強化学習ポリシーとの間のリスク対応適応的仲裁機構も推進している。
  論文  参考訳（メタデータ） (2026-03-09T05:20:33Z)
• Hierarchical Trajectory Planning of Floating-Base Multi-Link Robot for Maneuvering in Confined Environments [9.325443556436436]
  浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動小数点浮動 本研究は,グローバルガイダンスと設定対応ローカル最適化を統合した階層的軌道計画フレームワークを導入する。 我々の知る限りでは、これは実際のロボットで実証された浮動小数点移動型マルチリンクロボットのための最初の計画フレームワークである。
  論文  参考訳（メタデータ） (2026-02-25T22:49:54Z)
• Solving Geodesic Equations with Composite Bernstein Polynomials for Trajectory Planning [0.0]
  軌道は、離散境界ではなく連続体として障害物を符号化するコスト面上に計画されている。 障害物に近い地域は高いコストが割り当てられており、自然に軌道は安全な距離を維持しつつ、制約された空間を効率的にルーティングすることを奨励している。 この方法は2次元と3次元の両方の環境に適用され、地上、空中、水中、宇宙システムに適している。
  論文  参考訳（メタデータ） (2026-02-10T23:33:15Z)
• Trajectory Tracking for Multi-Manipulator Systems in Constrained Environments [9.385066923415936]
  障害物分散環境で動作する移動型マルチマニピュレータシステムによる協調操作の問題点を考察する。 このタスクでは、障害物や狭い通路から生じる連続ロボット力学と離散幾何学的制約の両方を尊重しながら、把握された物体を輸送する必要がある。 本研究では,STLを満足するオブジェクト衝突のないベースフットプリントのオフライン生成とオンライン制約付き逆軌道と連続時間フィードバック制御を組み合わせたマルチレート計画制御フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-16T09:01:49Z)
• Mastering Diverse, Unknown, and Cluttered Tracks for Robust Vision-Based Drone Racing [22.63301233637327]
  ドローンレースの目標を固定した障害物のないトラックの強化学習手法のほとんどは、未知の乱雑な環境に一般化を残したままであった。 この課題は、レース速度と衝突回避のバランスをとる必要があること、限られた実現可能な空間が、訓練中に地元のオプティマに閉じ込められた政策探索を引き起こすことに起因している。 高速飛行のための政策探索を継続する初期ソフトコリデーショントレーニングフェーズと、堅牢な障害物回避を強制するハードコリデーション改善フェーズの2段階学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-10T12:02:48Z)
• Optimization-Guided Diffusion for Interactive Scene Generation [52.23368750264419]
  本稿では,拡散型サンプリングにおける構造的一貫性と相互作用認識を実現するための,最適化誘導型トレーニングフリーフレームワークであるOMEGAを提案する。 OMEGAは生成リアリズム,一貫性,可制御性を向上し,身体的および行動学的に有効なシーンの比率を増大させることを示す。 当社のアプローチでは,3秒未満の時間対コリションで,より近いコリジョンフレームを5ドル(約5,500円)で生成することも可能だ。
  論文  参考訳（メタデータ） (2025-12-08T15:56:18Z)
• First Steps: Latent-Space Control with Semantic Constraints for Quadruped Locomotion [73.37945453998134]
  従来の四重化制御のアプローチでは、単純化された手作りのモデルが採用されている。 これにより、有効な運動範囲が縮小されているため、ロボットの能力が大幅に低下する。 この研究において、これらの課題は、構造化潜在空間における最適化として四重化制御をフレーミングすることによって解決される。 深い生成モデルは、実現可能な関節構成の統計的表現を捉え、一方、複雑な動的および終端的制約は高レベルな意味的指標によって表現される。 実世界とシミュレーションの両方で最適化された移動軌跡の実現可能性を検証する。
  論文  参考訳（メタデータ） (2020-07-03T07:04:18Z)

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。