論文の概要: SkillX: Unified Multi-Skill Policy Learning for Humanoid Soccer
- arxiv url: http://arxiv.org/abs/2609.06718v1
- Date: Sun, 06 Sep 2026 16:41:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-12 04:46:13.947255
- Title: SkillX: Unified Multi-Skill Policy Learning for Humanoid Soccer
- Title（参考訳）: SkillX:ヒューマノイドサッカーのための統一型マルチスキルポリシー学習
- Abstract要約: 本稿では,複数のアトミックサッカースキルを学習し,構成する統合強化学習フレームワークであるSkillXを紹介する。
SkillXは3つのコアデザインを統合している。
シミュレーションおよび実のNoetix E1ヒューマノイドを用いた実験では、堅牢なマルチスキル実行、長距離スキル構成、sim-to-realデプロイメントが成功している。
- 参考スコア（独自算出の注目度）: 10.644145550941778
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Humanoid soccer is a challenging testbed for dynamic whole-body control, requiring robots to coordinate balance, locomotion, object interaction, and skill switching over long horizons. Existing humanoid sports methods often rely on task-specific multi-stage pipelines, making it difficult to jointly learn and compose multiple object-interactive skills within a single deployable policy. To address this, we present SkillX, a unified reinforcement learning framework that learns and composes multiple atomic soccer skills through a single command-conditioned policy. SkillX integrates three core designs: skill-specific adversarial motion priors, skill-specific critics, and an object-aware temporal encoder, enabling the robot to execute atomic skills and transition among them such as dribbling, trapping, and shooting. Experiments in simulation and on a real Noetix E1 humanoid demonstrate robust multi-skill execution, long-horizon skill composition, and successful sim-to-real deployment.
- Abstract（参考訳）: ヒューマノイドサッカーは、バランス、移動、物体の相互作用、そして長い地平線上のスキルスイッチングをロボットが調整する必要がある、動的な全身制御のための挑戦的なテストベッドである。
既存のヒューマノイドスポーツ手法はタスク固有の多段階パイプラインに依存しており、単一のデプロイ可能なポリシ内で複数のオブジェクトインタラクションスキルを共同で学習し、構成することが困難である。
そこで本研究では,単一のコマンド条件で複数のアトミックサッカースキルを学習し,構成する統合強化学習フレームワークであるSkillXを提案する。
SkillXは3つのコアデザインを統合している: スキル固有の対向運動先行、スキル固有の批評家、およびオブジェクト対応の時間エンコーダで、ロボットは、ドリブル、トラップ、シューティングなどの原子スキルと遷移を実行できる。
シミュレーションおよび実のNoetix E1ヒューマノイドを用いた実験では、堅牢なマルチスキル実行、長距離スキル構成、sim-to-realデプロイメントが成功している。
関連論文リスト
- RPG: Robust Policy Gating for Smooth Multi-Skill Transitions in Humanoid Fighting [52.18271301977709]
我々は,スムーズで安定したヒューマノイド多スキル移行のためのハイブリッド・エキスパート・ポリシー・フレームワークであるRPGを提案する。
本手法では,動き遷移のランダム化と時間的ランダム化を取り入れて,アジャイルな戦闘行動を生成する統一的な政策を訓練する。
我々は、歩行/走る移動と戦闘スキルを統合する制御パイプラインを設計し、人間のような長時間の戦闘を任意の期間で行えるようにした。
論文 参考訳（メタデータ） (2026-04-23T07:14:35Z) - Switch: Learning Agile Skills Switching for Humanoid Robots [62.14433450799811]
階層的なマルチスキルシステムであるSwitchを導入し、いつでもシームレスなスキル移行を可能にします。
提案手法は,(1)マルチスキル動作データ内の運動の類似性に基づいて,潜在的なクロススキル遷移を確立するスキルグラフ,(2)深い強化学習を通じて,このスキルグラフ上で訓練された全身追跡ポリシー,(3)堅牢なスキル実行とスムーズな移行のためのトラッキングポリシを駆動するオンラインスキルスケジューラの3つの重要な構成要素から構成される。
論文 参考訳（メタデータ） (2026-04-16T10:11:28Z) - Tree Learning: A Multi-Skill Continual Learning Framework for Humanoid Robots [1.282675419968047]
本稿では,ヒューマノイドロボットのためのマルチスキル連続学習フレームワークであるTree Learningを提案する。
このフレームワークはルートブランチの階層的パラメータ継承機構を採用し、分岐スキルの動作先を提供する。
スキルコンバージェンスを促進するために,タスクレベルの報酬形成戦略も提案されている。
論文 参考訳（メタデータ） (2026-04-14T15:57:27Z) - Perceptive Humanoid Parkour: Chaining Dynamic Human Skills via Motion Matching [77.28042137892943]
本稿では,人間型ロボットの長期的視覚的パーキングを自律的に行うためのモジュール型フレームワークであるPerceptive Humanoid Parkour(PHP)を提案する。
本研究は、これらの合成動作に対する運動追跡強化学習専門家の政策を訓練し、それらを深度に基づく多スキル学生政策に抽出する。
我々は,Unitree G1ヒューマノイドロボットを用いた実世界実験により,我々のフレームワークを検証した。
論文 参考訳（メタデータ） (2026-02-17T18:59:11Z) - Learning Soccer Skills for Humanoid Robots: A Progressive Perception-Action Framework [50.6604971348824]
サッカーはヒューマノイドロボットにとって重要な課題であり、密に統合された知覚アクション機能を必要としている。
本稿では,サッカースキル獲得を3段階に分割するプログレッシブアーキテクチャであるパーセプション・アクション統合意思決定(PAiD)を提案する。
ユニトリーG1の実験では、多種多様な条件下で頑健な性能を持つ高忠実な人間のような蹴りが実証された。
論文 参考訳（メタデータ） (2026-02-05T05:05:03Z) - HumanX: Toward Agile and Generalizable Humanoid Interaction Skills from Human Videos [74.43500240121476]
我々はHumanXについて紹介する。HumanXは人間の動画を、ヒューマノイドのための汎用的で現実的なインタラクションスキルにコンパイルするフルスタックのフレームワークである。
HumanXは、従来の方法より8倍高い一般化成功を達成する。
論文 参考訳（メタデータ） (2026-02-02T18:53:01Z) - Learning Semantic Atomic Skills for Multi-Task Robotic Manipulation [34.73582639920571]
AtomSkillは、新しいマルチタスク模倣学習フレームワークである。
構成可能なロボット操作のために構造化された原子スキルスペースを学習し活用する。
さまざまな操作タスクにまたがって、最先端のメソッドを一貫して上回る。
論文 参考訳（メタデータ） (2025-12-20T13:46:08Z) - SkillBlender: Towards Versatile Humanoid Whole-Body Loco-Manipulation via Skill Blending [79.83865372778273]
SkillBlenderは、多目的なヒューマノイドロコ操作のための新しい階層的強化学習フレームワークである。
SkillBlenderは、まずゴール条件付きタスク非依存のプリミティブスキルを事前訓練し、その後、これらのスキルを動的にブレンドして複雑なロコ操作タスクを達成する。
また,3つのエボディメント,4つのプリミティブスキル,8つの難解なロコ操作タスクを含む並列的,クロスエボディメント,多種多様なシミュレーションベンチマークであるSkillBenchを紹介した。
論文 参考訳（メタデータ） (2025-06-11T03:24:26Z)
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。