論文の概要: DELTA: Deformable Elevation-Based Local Terrain Attention Encoder for Sparse-Terrain Quadrupedal Locomotion

• arxiv url: http://arxiv.org/abs/2608.22033v1
• Date: Sat, 22 Aug 2026 16:22:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.571305
• Title: DELTA: Deformable Elevation-Based Local Terrain Attention Encoder for Sparse-Terrain Quadrupedal Locomotion
• Title（参考訳）: DELTA: Sparse-Terrain Quadrupedal Locomotion のための変形性浮揚型局所地形アテンションエンコーダ
• Abstract要約: モデルベースの足場プランナーは、正確な足場選択を提供するが、明示的なモデル仮定に強く依存している。 近年のアテンションベースの地図符号化(AME)研究は、エンド・ツー・エンド強化学習(RL)が暗黙の足場指導を学習できることを示唆している。 本稿では,デフォルマブル・エレベーション・ベースのローカル・テランのアテンション・エンコーダであるDELTAを提案する。
• 参考スコア（独自算出の注目度）: 4.264175874597503
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stable quadrupedal locomotion on sparse terrain requires selecting state-relevant terrain evidence for precise foot placement. Model-based foothold planners provide precise foothold selection but rely heavily on explicit model assumptions. Recent attention-based map encoding (AME) studies show that end-to-end reinforcement learning (RL) can learn implicit foothold guidance. However, the computational cost of dense AME encoding grows with map resolution, limiting its scalability to fine-grained sparse terrain. We propose DELTA, a Deformable Elevation-Based Local Terrain Attention encoder. DELTA predicts state-conditioned sampling locations, forms terrain evidence tokens from adaptive local elevation patches, and attends only to a fixed-size token set. With fixed sampling and patch settings, DELTA's encoder cost is independent of map resolution. Experiments show that DELTA achieves final traversal performance comparable to AME at the standard resolution while improving learning efficiency. This fixed encoder cost enables the use of higher-resolution terrain maps, improving traversal on fine-grained sparse terrain. DELTA also demonstrates strong generalization to unseen mixed evaluation courses composed of continuous and discrete terrain elements. Beyond simulation, DELTA demonstrates successful sim-to-real transfer on RAIBO2. Analysis of the learned sampling offsets and attention weights shows that DELTA samples steppable regions and attends to terrain evidence relevant to future touchdowns without foothold labels or attention supervision.
• Abstract（参考訳）: 平坦な地形上の安定な四足歩行には、正確な足の位置を示す州関連地形の証拠を選択する必要がある。 モデルベースの足場プランナーは、正確な足場選択を提供するが、明示的なモデル仮定に強く依存している。 近年のアテンションベースの地図符号化(AME)研究は、エンド・ツー・エンド強化学習(RL)が暗黙の足場指導を学習できることを示唆している。 しかし、高密度AME符号化の計算コストは、地図分解能によって増大し、そのスケーラビリティは粒度の粗い地形に制限される。 本稿では,デフォルマブル・エレベーション・ベースのローカル・テランのアテンション・エンコーダであるDELTAを提案する。 DELTAは、状態条件付きサンプリング場所を予測し、適応的な局所標高パッチから地形証拠トークンを作成し、固定サイズのトークンセットにのみ参加する。 固定サンプリングとパッチ設定により、DELTAのエンコーダコストはマップ解像度とは無関係である。 実験により, DELTA は AME に匹敵する最終的なトラバース性能を標準解像度で達成し, 学習効率を向上することを示した。 この固定エンコーダのコストは、高解像度の地形マップの使用を可能にし、粒度の粗い地形のトラバースを改善する。 DELTAはまた、連続した地形要素と離散的な地形要素からなる混合評価コースに強い一般化を示す。 DELTAはシミュレーション以外にも、RAIBO2上のシミュレート・トゥ・リアル転送を成功させる。 得られたサンプリングオフセットと注意重みの分析から、DELTAはステップ可能な地域をサンプリングし、足場ラベルや注意監督なしで将来のタッチダウンに関連する地形証拠を提示する。

関連論文リスト

• ObliCity: A Benchmark and Baseline for Roof-to-Ground Projection Displacement Correction [23.351835462733074]
  Roof-to-footprint offset vector(RFOV)抽出は、意味的セグメンテーションから幾何学的アライメントを分離する学習タスクである。 方法論的には、DragOSMを人間行動にインスパイアされたODEベースのフレームワークであるDragRoofに再構成する。 ObliCityの実験は、DragRoofが最先端のRFOV抽出性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-07-28T02:31:47Z)
• ControlMap: Controllable High-Definition Map Generation for Traffic Scenario Simulation [2.6558203733386225]
  本稿では遅延拡散と制御ネットを用いた制御可能なHDマップ生成のためのデータ駆動パイプラインを提案する。 我々の知る限り、我々はHDマップ合成のための拡散モデルに空間誘導信号を初めて注入した人物である。 実験により,都市特有の詳細を正確に保存しつつ,入力道路トポロジを忠実に追従する現実的なHDマップが得られた。
  論文  参考訳（メタデータ） (2026-06-14T17:12:56Z)
• CSMapping: Scalable Crowdsourced Semantic Mapping and Topology Inference for Autonomous Driving [23.921417146230738]
  CSMappingは正確なセマンティックマップとトポロジカル道路中心線を生成する。 nuScenes、Argoverse 2、および大規模プロプライエタリデータセットに関する実験は、最先端のセマンティクスとトポロジマッピングのパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-12-03T07:06:18Z)
• Loc$^2$: Interpretable Cross-View Localization via Depth-Lifted Local Feature Matching [80.57282092735991]
  本稿では,高精度かつ解釈可能なクロスビューローカライズ手法を提案する。 地上画像の3自由度(DoF)のポーズを、その局所的な特徴と基準空中画像とをマッチングすることによって推定する。 実験では、クロスエリアテストや未知の向きといった挑戦的なシナリオにおいて、最先端の精度を示す。
  論文  参考訳（メタデータ） (2025-09-11T18:52:16Z)
• Very High-Resolution Forest Mapping with TanDEM-X InSAR Data and Self-Supervised Learning [3.5188848736316407]
  我々はTandDEM-Xミッションの高分解能を利用して森林を6mで地図化する。 このような高解像度な参照データセットの拡張に対処するため、自己教師あり学習技術について検討する。 ペンシルバニア州上空1mの森林・非森林基準マップでは、異なるトレーニングアプローチを比較することができる。 このテスト領域上で最高のパフォーマンスのアプローチを選択し、アマゾン熱帯雨林の実際の森林マッピングシナリオに適用する。
  論文  参考訳（メタデータ） (2025-05-06T08:54:28Z)
• Hi-Map: Hierarchical Factorized Radiance Field for High-Fidelity Monocular Dense Mapping [51.739466714312805]
  ニューラルラジアンス場(NeRF)に基づく新しいモノクリン高密度マッピング手法であるHi-Mapを導入する。 ハイマップは、RGB入力のみを用いた効率的かつ高忠実なマッピングを実現する能力において例外的である。
  論文  参考訳（メタデータ） (2024-01-06T12:32:25Z)
• Distribution-Aware Calibration for Object Detection with Noisy Bounding Boxes [58.2797274877934]
  そこで我々はDISCO(Distribution-aware CalibratiOn)を提案する。 分類, 局所化, 解釈可能性を改善するために, 3つの分布認識技術を開発した。
  論文  参考訳（メタデータ） (2023-08-23T09:20:05Z)
• DETR Doesn't Need Multi-Scale or Locality Design [69.56292005230185]
  本稿では,"プレーン"特性を維持できる改良型DETR検出器を提案する。 特定の局所性制約を伴わずに、単一スケールの機能マップとグローバルなクロスアテンション計算を使用する。 マルチスケールな特徴マップと局所性制約の欠如を補うために,2つの単純な技術が平易な設計において驚くほど効果的であることを示す。
  論文  参考訳（メタデータ） (2023-08-03T17:59:04Z)
• Embedding Earth: Self-supervised contrastive pre-training for dense land cover classification [61.44538721707377]
  本研究では,衛星画像の高可用性を活用するための自己監督型コントラスト事前学習法として,エンベディングアースを提案する。 提案手法による事前学習では, 25%の絶対mIoUが得られた。 学習した特徴は、異なる領域間で一般化され、提案した事前学習スキームの可能性を開放する。
  論文  参考訳（メタデータ） (2022-03-11T16:14:14Z)
• Rethinking Localization Map: Towards Accurate Object Perception with Self-Enhancement Maps [78.2581910688094]
  本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。 特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
  論文  参考訳（メタデータ） (2020-06-09T12:35:55Z)

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。