論文の概要: Demonstration-Guided Humanoid Stand-Up on an Emulated Deformable Surface
- arxiv url: http://arxiv.org/abs/2608.20852v1
- Date: Fri, 21 Aug 2026 08:16:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-24 14:49:32.473363
- Title: Demonstration-Guided Humanoid Stand-Up on an Emulated Deformable Surface
- Title（参考訳）: 模擬変形面上のデモガイド付きヒューマノイドスタンドアップ
- Abstract要約: 本稿では,29-DOFユニツリーG1ヒューマノイドのスタンドアップ動作を生成するための基準誘導強化学習フレームワークを提案する。
地形コンプライアンスは、MuJoCoの剛体ソフトコンタクトモデルからのソルフパラメータとソリンプパラメータを用いてモデル化される。
本手法は2つのスタンドアップシーケンスで実証され, 硬質地盤および軟質地盤における最終回収目標を達成できた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: This paper presents a reference-guided reinforcement learning framework to generate stand-up motion for a 29-DOF Unitree G1 humanoid on deformable soft ground, using a human demonstration recorded on hard ground. The terrain compliance is modelled using solref and solimp parameters from MuJoCo's rigid body soft-contact model. The rewards consists of (i) reference motion tracking through residual joint-position control and (ii) explicit recovery objectives such as pelvis height, torso uprightness, and the final posture. First, the policy is trained with the specified rewards considering hard ground. Next, the terrain stiffness is lowered by updating solref and the nominal surface penetration zone is expanded using solimp. Subsequent training enables the policy to adapt to the delayed support force generation due to significant surface penetration during contact-intensive phases while preserving the original demonstration pattern. The learned policy successfully completes the fallen-to-standing task in simulation, reaching the targeted pelvis height and uprightness, with a maximum contact penetration of approximately 40 mm during the process. The proposed method is demonstrated on two stand-up sequences and successfully achieves the final recovery objective on both hard and soft ground. Ablation studies show that reference tracking alone is insufficient for successful stand-up, and that explicit recovery rewards are essential.
- Abstract（参考訳）: 本稿では,29-DOF ユニツリー G1 ヒューマノイドの軟弱地盤上での立位運動を,硬質地盤に記録された人間の実演を用いて再現するための基準誘導強化学習フレームワークを提案する。
地形コンプライアンスは、MuJoCoの剛体ソフトコンタクトモデルからのソルフパラメータとソリンプパラメータを用いてモデル化される。
賞味料は
一 残留関節位置制御及び基準運動追跡
二 骨盤の高さ、胴体直立、最終姿勢等の明示的な回復目標。
第一に、政策はハードグラウンドを考慮して特定の報酬で訓練される。
次に、ソルフを更新することにより地形硬度を低下させ、ソリンプを用いて名目表面浸透帯を拡大する。
その後の訓練により、元のデモンストレーションパターンを保ちながら、接触集中期における表面の顕著な浸透による遅延支持力の生成に適応できる。
学習されたポリシーは、シミュレーションにおいて、目標の骨盤の高さと直立度に到達し、その過程で最大で40mmの接触貫入を達成した。
提案手法は2つのスタンドアップ・シーケンスで実証され, 硬質地盤および軟質地盤における最終回収目標を達成できた。
アブレーション研究では、参照追跡だけではスタンドアップの成功には不十分であり、明確な回復報酬が不可欠であることが示されている。
関連論文リスト
- When Physical Preferences Meet Semantic Constraints: Physical and Semantic Direct Preference Optimization for Text-to-Video Generation [17.610397245959966]
テキスト・ツー・ビデオ(T2V)生成モデルは強力なビジュアルリアリズムを実現しているが、物理的妥当性の向上は、入力テキストとのセマンティック一貫性の犠牲になる可能性がある。
物理信号と意味信号の一致に基づいて各好みペアのコントリビューションを変調する物理および意味的直接選好最適化(PSDPO)を提案する。
実験により、PSDPOはVBench上での強いセマンティック一貫性を維持しながら、VPhy-2のベースライン上で最大2ドル以上の物理的可視性を向上し、既存の嗜好ベースの方法よりも信頼性の高いバランスを実現する。
論文 参考訳（メタデータ） (2026-07-18T20:03:50Z) - Physics-Guided Biomechanical Gait Adaptation for Humanoid Locomotion on Extreme Sloped Terrains [8.87337310412389]
本研究では,HumoSlopeと呼ばれる2段階の物理誘導フレームワークを提案する。
本フレームワークは姿勢変性を効果的に軽減し,62.7%までの屋外草地斜面の目視・連続的移動を可能にする。
論文 参考訳（メタデータ） (2026-07-08T18:12:18Z) - Partial Skeleton Visibility for Action Recognition: A Constrained Field-of-View Approach [60.596944437968524]
partialVisGraphは、制約されたフィールド・オブ・ビューの下で、堅牢なスケルトンベースのアクション認識のための新しいフレームワークである。
部分的な可視性の下では、最先端の精度を一貫して達成し、厳しいFoV制限のあるサブセットでは68.8%まで上昇する。
提案手法は,非拘束環境下でのスケルトンに基づく行動理解を実現するための,原則的かつ実践的な経路を提供する。
論文 参考訳（メタデータ） (2026-07-01T10:03:11Z) - DeformGen: Dynamics-Based Topology Augmentation for Deformable Manipulation Policy Learning [65.83886420120952]
変形可能なオブジェクトのための動的ベースの拡張フレームワークであるDeformGenを提案する。
状態問題に対して、DeformGenは、局所化物理障害を適用して、有効な状態分布を拡張する。
トラジェクトリチャレンジでは、DeformGenはソース操作トラジェクトリを変形フィールド・ワープを介して転送する。
論文 参考訳（メタデータ） (2026-06-24T15:15:38Z) - PTDL:Multi-Terrain Fall Recovery via Phase-Terrain Decoupled Learning [13.93626645001]
人型ロボットは、非構造環境の斜面、砂利、不均一な地面に落下することがある。
本稿では、位相軸と地形軸に沿って訓練の監督を分離する位相領域分離学習(PTDL)を提案する。
平地,砂利,斜面をまたいだ29-DoFユニツリーG1上のPTDLをシミュレーションおよびハードウェア上で最大20度検証する。
論文 参考訳（メタデータ） (2026-06-08T02:01:08Z) - TACT-ful: Multi-Channel Terrain Affordance and Compliance Training for Payload-Robust Perceptive Humanoid Locomotion [1.3553462938197818]
構造された地形における足場選択には、接触平面性、表面急勾配、および運動的到達性に関する明確な推論が必要である。
本研究では, 平坦性, 急勾配性, 速度を考慮した高さ実現可能性と, 前方登頂報酬を組み合わせた多チャンネル地形コストを提案する。
論文 参考訳（メタデータ） (2026-06-06T10:25:13Z) - SECOND-Grasp: Semantic Contact-guided Dexterous Grasping [60.1519218638742]
Second-Grasp (Semantic Contact-guided Dexterous Grasping) は、ロボットハンドが意味論的推論に基づいて把握戦略を調整できる統合されたフレームワークである。
我々のアプローチは、目に見えるカテゴリーと目に見えないカテゴリの両方で成功率を上げるために、一貫してベースラインを上回ります。
論文 参考訳（メタデータ） (2026-05-13T07:37:00Z) - 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) - PhysHMR: Learning Humanoid Control Policies from Vision for Physically Plausible Human Motion Reconstruction [52.44375492811009]
物理学に基づくシミュレーターにおいて,ヒューマノイド制御のための視覚行動ポリシーを学習する統合フレームワークであるPhysHMRを提案する。
我々のアプローチの重要な要素はピクセル・アズ・レイ戦略であり、2次元のキーポイントを3次元空間に上げ、それらを大域空間に変換する。
PhysHMRは多種多様なシナリオにまたがって高忠実で物理的に妥当な動きを生じさせ、視覚的精度と身体的リアリズムの両方において以前のアプローチより優れている。
論文 参考訳（メタデータ） (2025-10-02T21:01:11Z) - PhysPose: Refining 6D Object Poses with Physical Constraints [26.47867548297063]
ポーズ推定に物理推論を統合する新しいアプローチであるPhysPoseを紹介する。
シーンジオメトリを活用することで、PhysPoseは物理的妥当性を確保するために推定値を取得する。
我々は、ロボット工学におけるその影響を、挑戦的なピック・アンド・プレイス・タスクの成功率を大幅に向上させることで実証する。
論文 参考訳（メタデータ） (2025-03-30T20:52:17Z) - Adversarial Motion Modelling helps Semi-supervised Hand Pose Estimation [116.07661813869196]
そこで本稿では,非ラベルビデオに対人トレーニングとモーションモデリングのアイデアを組み合わせることを提案する。
本研究は,非ラベル映像系列の半教師あり学習により,逆方向が手ポーズ推定器の特性の向上につながることを示す。
このアプローチの主な利点は、ペアのトレーニングデータよりもはるかに容易に、未ペアのビデオとジョイントシーケンスデータを利用することができることです。
論文 参考訳（メタデータ） (2021-06-10T17:50:19Z)
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。