論文の概要: Tac4Loco: Learning Spatiotemporal Plantar Pressure Representations for Humanoid Locomotion
- arxiv url: http://arxiv.org/abs/2608.15766v1
- Date: Sun, 16 Aug 2026 14:37:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.417609
- Title: Tac4Loco: Learning Spatiotemporal Plantar Pressure Representations for Humanoid Locomotion
- Title（参考訳）: Tac4Loco:Humanoid Locomotionのための時空間植物圧の学習
- Abstract要約: マルチアレイ圧力を人体移動の直接的なフィードバックとして組み込んだフレームワークであるTac4Locoを提案する。
傾斜, 部分非対称, 支持変化のある地形において, 追従性能が改善され, 適応性も向上した。
- 参考スコア（独自算出の注目度）: 10.321961925577867
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Humanoid robots are expected to traverse complex terrains, where the plantar support may vary dramatically due to foot placement errors, ground properties, and transient dynamics. To achieve robust locomotion, the robots are required to adapt to uneven terrain and uncertain foot--ground interactions. Existing locomotion policies rely primarily on proprioception or exteroceptive terrain perception, where the former provides only indirect evidence of plantar support, while the latter predicts contact conditions before touchdown but cannot observe the actual support in real-time. Although some studies incorporate plantar contacts as an auxiliary perception, they rely mainly on summary statistics, overlooking the spatial topology of plantar pressure, which provides a more direct characterization of the realized contact state. To bridge this gap, we present Tac4Loco, a tactile-perceptive framework that incorporates multi-array plantar pressure as direct feedback for humanoid locomotion. We formulate a topology-preserving ordinal representation to map simulated and physical sensor signals into a shared observation space, with a dual-branch encoder for extracting their spatial and temporal representations. Subsequently, the learned spatiotemporal features are integrated with augmented proprioception including terrain estimation cues, and provided to an asymmetric actor-critic architecture for policy learning. Extensive simulation and real-world experiments demonstrate improved tracking performance and support adaptation on terrains with inclined, partial, asymmetric, and changing support. We further demonstrate its zero-shot deployment on unseen compliant and unstructured terrains, including a foam platform and a gravel road. All code and experimental configurations will be released as open-source to facilitate reproducibility.
- Abstract（参考訳）: ヒューマノイドロボットは複雑な地形を横切ることが期待されており、足の配置誤差、地盤特性、過渡的ダイナミクスにより、プランターの支持が劇的に変化する可能性がある。
頑丈な移動を実現するため、ロボットは不均一な地形と不確実な足場相互作用に適応する必要がある。
既存の移動政策は、主に、前者はプランター支持の間接的な証拠のみを提供するが、後者はタッチダウン前に接触条件を予測するが、リアルタイムに実際の支持を観察できない、プロトリオセプションまたは外受容的な地形知覚に依存している。
足底接触を補助的な知覚として含んでいる研究もあるが、それらは主に要約統計に依存し、足底圧力の空間的トポロジーを見渡して、実現された接触状態のより直接的な特徴付けを提供する。
このギャップを埋めるために,多アレイプランタ圧力を人体移動の直接的なフィードバックとして組み込んだ触覚知覚フレームワークであるTac4Locoを提案する。
我々は、空間的および時間的表現を抽出するデュアルブランチエンコーダを用いて、シミュレーションおよび物理センサ信号を共有観測空間にマッピングするための位相保存順序表現を定式化する。
その後、学習された時空間の特徴は、地形推定の手がかりを含む拡張プロプレッセプションと統合され、ポリシー学習のための非対称アクター批判アーキテクチャーに提供される。
大規模シミュレーションと実世界の実験は、傾斜、部分的、非対称、変化の支援を有する地形における追跡性能の向上とサポート適応を実証している。
さらに, 発泡プラットフォームや砂利道路など, 未確認・非構造地形へのゼロショット展開を実証した。
すべてのコードと実験的な設定は、再現性を促進するためにオープンソースとしてリリースされる。
関連論文リスト
- MILD: Tractable Terrain Modeling for Learning Improved Bipedal Locomotion on Deformable Surfaces [27.312811759047023]
物理地上の離散要素接触解法を特徴とするMILDについて述べる。
我々は、深い強化学習を通して地形認識コントローラを訓練する。
本システムでは,様々な表面硬さのオンライン識別と適応性を実証する。
論文 参考訳（メタデータ） (2026-08-20T12:24:34Z) - DyG$^2$T: Modeling Object Dynamics with 3D Gaussian Temporal-Spatial Particle Graph Transformer [86.4618122245946]
DyG$2$Tは動的モデリングフレームワークで、キーポイント表現を空間的に完了し、時間的に識別することでオブジェクトの運動軌跡を推定する。
合成データセットと実世界のデータセットの両方の実験は、DyG$2$Tが正確な動的モデリングと推論を実現することを示した。
論文 参考訳（メタデータ） (2026-08-19T03:44:28Z) - EgoHTR: Egocentric 4D Demonstrations of Human Terrain Traversal [63.906929035961134]
我々は,55のシーンアラインな4次元人間の動作シーケンスを,多様な複雑な環境下で収集する再構築パイプラインをオープンソースとして公開した。
得られたデータセットは150k以上のフレームから構成される。
私たちのパイプラインは、コミュニティ主導のデータセット拡張を可能にし、研究者がコンテキスト認識ロボットを構築するのに役立つ問題を要因にします。
論文 参考訳（メタデータ） (2026-07-15T06:02:41Z) - Learning Locomotion on Discrete Terrain via Minimal Proximity Sensing [4.74006823972475]
学習に基づく制御は動的移動に革命をもたらしたが、非構造的な地形を航行することは、ロボットが差し迫った接地に対する不完全な認識によって制限されている。
この研究は、低コストで高周波の赤外線近接センサーを四足歩行ロボットの足に直接埋め込む最小限の方法を探究する。
これらのセンサーは、自己閉塞に対して堅牢で、従来のビジョンベースのパイプラインよりも計算負荷が大幅に少ない「事前接触」フィードバックを提供する。
論文 参考訳（メタデータ） (2026-06-30T16:16:37Z) - Mind Your Steps: A General Learning Framework for Accurate Humanoid Foothold Tracking [78.30338456206984]
本稿では,汎用3D足場追跡ポリシーをトレーニングするための新しいフレームワークを提案する。
本手法は, 目標検層による足場支援を動的に行うことにより, 学習方針を特定の地形に依存しないものにする。
我々の新しいターゲット表現は、雑音や不正確なポーズ推定や足の接触推定といった現実の課題を効果的に緩和する。
論文 参考訳（メタデータ） (2026-06-06T16:44:56Z) - Perceptive Behavior Foundation Model: Adapting Human Motion Priors to Robot-Centric Terrain [25.92545023668694]
我々は、ロボット中心の知覚において、人間の動きを前提とした地形認識型ヒューマノイド制御フレームワークを開発する。
我々は,視覚障害者の教師を訓練し,その地形・地形の振る舞いを生の学生に伝達する。
学生は、移動追跡を前もって保存し、必要なときにのみ局所的な補正を行うように訓練された、地形の特徴が残留経路を通り抜けるアイデンティティ付きトランスフォーマートラッカーである。
論文 参考訳（メタデータ） (2026-06-06T08:46:44Z) - AnchorWorld: Embodied Egocentric World Simulation with View-based Evolution Customization [79.26935895370191]
AnchorWorldは、対話の整合性を強化することで、エゴセントリックなシミュレーションを促進するフレームワークである。
補助訓練監督は、エージェントのファーストパーソンセンタリウムから切り離された視点を取り入れている。
我々は、自己進化する世界をカスタマイズするためのシンプルで効果的なメカニズムを提案する。
論文 参考訳（メタデータ） (2026-06-05T14:43:13Z) - CReF: Cross-modal and Recurrent Fusion for Depth-conditioned Humanoid Locomotion [6.2747272941647045]
本稿では,CreF (Cross-modal and Recurrent Fusion) を提案する。
CReFは、明示的な幾何学的中間体を使わずに、生の前方深度から直接移動関連特徴を学習する。
論文 参考訳（メタデータ） (2026-03-31T08:56:29Z) - START: Traversing Sparse Footholds with Terrain Reconstruction [11.632418196552324]
我々は,高度にスパースな足場でアジャイルで安定した移動を可能にする,単段階学習フレームワークSTARTを提案する。
STARTは、ローコストのオンボードビジョンとプロプレセプションのみを活用して、局所的な地形の高度マップを正確に再構築する。
実験結果から,STARTは実世界の様々なシナリオにまたがるゼロショット転送を実現することが示された。
論文 参考訳（メタデータ） (2025-12-15T10:02:41Z) - 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) - Learning Perceptual Locomotion on Uneven Terrains using Sparse Visual
Observations [75.60524561611008]
この研究は、人中心の環境において、よく見られるバンプ、ランプ、階段の広い範囲にわたる知覚的移動を達成するために、スパースな視覚的観察の使用を活用することを目的としている。
まず、関心の均一な面を表すことのできる最小限の視覚入力を定式化し、このような外受容的・固有受容的データを統合した学習フレームワークを提案する。
本研究では, 平地を全方向歩行し, 障害物のある地形を前方移動させるタスクにおいて, 学習方針を検証し, 高い成功率を示す。
論文 参考訳（メタデータ） (2021-09-28T20:25:10Z) - Learning to Move with Affordance Maps [57.198806691838364]
物理的な空間を自律的に探索し、ナビゲートする能力は、事実上あらゆる移動型自律エージェントの基本的な要件である。
従来のSLAMベースの探索とナビゲーションのアプローチは、主にシーン幾何学の活用に重点を置いている。
学習可能な余剰マップは探索と航法の両方において従来のアプローチの強化に利用でき、性能が大幅に向上することを示します。
論文 参考訳（メタデータ） (2020-01-08T04:05:11Z)
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。