論文の概要: Learning Agile Perceptive Traversal of Sparse 3D Structures for Humanoids

• arxiv url: http://arxiv.org/abs/2608.29769v1
• Date: Sun, 30 Aug 2026 12:56:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.061382
• Title: Learning Agile Perceptive Traversal of Sparse 3D Structures for Humanoids
• Title（参考訳）: ヒューマノイドのためのスパース3次元構造のアジャイル知覚的トラバース学習
• Abstract要約: スパース3D構造をトラバースするには、人間型ロボットは、アジャイルな全身の動きを実行しながら、薄くて重なり合う幾何学を知覚する必要がある。 本稿では,ヘッドマウント固体ライダーからの観測を直接操作する強化学習に基づく知覚制御システムを提案する。 結果として得られたポリシーは、3つのバー構成で15のトライアル中14の完全なジャンプアップ>ブラキション>ジャンプダウンシーケンスを完了した。
• 参考スコア（独自算出の注目度）: 15.045870171454565
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traversing sparse 3D structures requires humanoid robots to perceive thin, overhanging geometry while executing agile, accurate whole-body motions. We study this problem through monkey-bar traversal, where the robot must jump to the structure, traverse it through sparse bar interactions, and land safely. For this task, we present a reinforcement-learning-based perceptive control system that operates directly on observations from a head-mounted solid-state lidar. To extract task-relevant geometry from the sparse returns, the policy consumes the raw lidar scan through an attention-based encoder with recurrent memory. This policy is obtained by a phase-scheduled teacher- student pipeline that combines privileged experts for jumping up, brachiating, and jumping down. For transfer to hardware, we model lidar noise, battery-voltage sag, and actuator thermal limits, and equip the humanoid with passive hook end-effectors for robust bar interaction. On hardware, the resulting policy completes the full jump-up->brachiation->jump-down sequence in 14 of 15 trials across three bar configurations and reaches brachiation speeds up to 0.5 m/s. Beyond brachiation, the same perception backbone supports a separately trained policy that ducks beneath thin overhead obstacles with 2 cm cross-sections.
• Abstract（参考訳）: スパース3D構造をトラバースするには、人間型ロボットは、アジャイルで正確な全身の動きを実行しながら、薄くて重なり合う幾何学を知覚する必要がある。 本研究は,サルバー・トラバーサルを用いて,ロボットが構造体に飛び乗って,粗いバーの相互作用を通じて移動し,安全に着陸しなければならない問題について検討する。 そこで本研究では,頭部搭載固体ライダーからの観測を直接操作する強化学習に基づく知覚制御システムを提案する。 スパースリターンからタスク関連幾何を抽出するために、ポリシーは、繰り返しメモリを持つ注意ベースのエンコーダを通して生ライダースキャンを消費する。 この方針は、段階的にスケジュールされた教師と学生のパイプラインによって得られる。 ハードウェアへの転送には、ライダーノイズ、バッテリ電圧サグ、アクチュエータ温度制限をモデル化し、ロバストバー相互作用のためのパッシブフックエンドエフェクターを備えたヒューマノイドを装着する。 ハードウェア上では、3つのバー構成で15の試行中14回のジャンプアップ>ブラキネーション>ジャンプダウンシーケンスを完了し、最大0.5m/sに達する。 ブラキ化以外にも、同じ知覚バックボーンは、2cmの断面を持つ薄い頭上の障害物の下にアヒルが潜むという、個別に訓練されたポリシーをサポートしている。

関連論文リスト

• SwingBot: Learning Whole-Body Brachiation for Humanoid Robots [29.687545789217783]
  Brachiationは、接地パスがブロックされた場合、霊長類がオーバーヘッドサポートを越えて移動することを可能にする。 スウィングボット(SwingBot)は、受動的手首フックを用いた連続的ヒューマノイドブレキテーションのための学習フレームワークである。
  論文  参考訳（メタデータ） (2026-09-09T15:01:12Z)
• GigaBrain-WBC-0.5: A Behavior World Model for Robust Whole-Body Control with Environment Interaction [68.67772166423812]
  ヒューマノイド全身制御のための行動世界モデル(BWM)であるGigaBrain-WBC-0.5を提案する。 純粋にリアクティブなトラッカーではなく、因果トランスフォーマーをトレーニングして、次のアクション、次の状態、次の潜伏動作コマンドに対する分布を共同で予測します。 自動地形アノテーションパイプラインは、再ターゲティングされた動きから完全な3D接触形状を復元し、既存の動きデータセットのスケールでの地形アノテートを可能にする。
  論文  参考訳（メタデータ） (2026-08-18T18:21:36Z)
• LadderMan: Learning Humanoid Perceptive Ladder Climbing [56.550077812088404]
  textbfLadderManは、ヒューマノイドロボットが多様なはしごを強く登ることができる統一システムである。 当社の登山ポリシーはスケーラブルな2段階学習パイプライン上に構築されており、複数の登山専門家を学習するためにハイブリッドモーショントラッキングを使用します。 さらに、デュアルエージェントの定式化を用いて個別の操作ポリシーを訓練し、遠隔操作による安定した on-ladder 操作を可能にする。
  論文  参考訳（メタデータ） (2026-06-04T08:47:08Z)
• 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)
• APEX: Learning Adaptive High-Platform Traversal for Humanoid Robots [32.84976822343718]
  本稿では,登頂型高プラットフォーム交通行動認識システムであるAPEXを提案する。 私たちのアプローチの中心は、コンタクトに富んだ目標達成策を学ぶための一般的なラチェット進歩報酬です。 我々は、LiDARベースのフルボディ操作ポリシーを訓練し、sim-to-real知覚ギャップを低減する。
  論文  参考訳（メタデータ） (2026-02-11T18:55:11Z)
• Hiking in the Wild: A Scalable Perceptive Parkour Framework for Humanoids [30.976354277907664]
  textitHiking in the Wildは、堅牢なヒューマノイドハイキング用に設計された、スケーラブルでエンドツーエンドのパーサー知覚フレームワークだ。 提案手法では, 外部状態推定に頼ることなく, 単段階強化学習手法, 生深度入力, プロプレセプションを直接協調動作にマッピングする。
  論文  参考訳（メタデータ） (2026-01-12T16:50:50Z)
• RoboTracer: Mastering Spatial Trace with Reasoning in Vision-Language Models for Robotics [53.053660003572965]
  本稿では,3次元空間参照と計測の両方を初めて実現した3D対応VLMであるRoboTracerを提案する。 RoboTracerは、強化微調整により、多段階のメートル法推論を進める。 本稿では,空間的トレーシングを評価する上で困難なベンチマークであるTraceSpatial-Benchを提案する。
  論文  参考訳（メタデータ） (2025-12-15T18:52:43Z)
• 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)
• SpatialActor: Exploring Disentangled Spatial Representations for Robust Robotic Manipulation [63.48859753472547]
  SpaceActorは、意味論と幾何学を明確に分離する堅牢なロボット操作のためのフレームワークである。 RLBenchの87.4%で最先端のパフォーマンスを達成し、ノイズの異なる条件下では13.9%から19.4%改善している。
  論文  参考訳（メタデータ） (2025-11-12T18:59:08Z)

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。