論文の概要: GM-Loco: Terrain-Adaptive Humanoid Locomotion on Granular Media

• arxiv url: http://arxiv.org/abs/2609.10286v2
• Date: Mon, 14 Sep 2026 19:11:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.067557
• Title: GM-Loco: Terrain-Adaptive Humanoid Locomotion on Granular Media
• Title（参考訳）: GM-Loco:グラニュラーメディア上でのテランの適応型ヒューマノイドロコモーション
• Abstract要約: 比抵抗力理論に基づく物理基底粒状接触モデル(3D RFT)を提案する。 従来の固形接触モデルとアドホックを用いた簡易な粒状接触モデルとは異なり、接触解法は物理的に正確な粒状侵入ダイナミクスを生成する。 私たちの知る限りでは、これは現実世界の粒状地におけるアジャイルなヒューマノイドのローコモーションの初めての実演です。
• 参考スコア（独自算出の注目度）: 10.30641031753662
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Humanoid locomotion on granular terrain remains a significant challenge due to its complex foot-terrain interaction dynamics that are difficult to model. Existing approaches either ignore granular contact dynamics or incorporate simplified normal force models with heuristic tangential components. In this work, we present a physics-grounded granular contact model based on three-dimensional resistive force theory (3D RFT) and efficiently simulate granular terrain for reinforcement learning (RL) training. Unlike traditional rigid contact models and simplified granular contact models with ad-hoc heuristics, our contact solver produces physically accurate granular intrusion dynamics without resorting to heuristics. It captures realistic penetration and tangential drag during training, enabling the policy to learn behaviors that transfer reliably to real-world granular terrain where rigid contact models fail. To adapt to varying terrain conditions, we train a terrain-adaptive locomotion controller via teacher-student RL, using a variational autoencoder to encode terrain information into a compact latent representation. Simulation studies using material point method (MPM) with NVIDIA Newton demonstrate that our method generalizes to unseen granular terrains, achieves a significantly higher success rate than baselines, and demonstrates zero-shot terrain identification and adaptation. We further validate our approach through extensive hardware experiments across diverse real-world granular terrains including basalt, dry sand, and beach sand. To the best of our knowledge, this is the first demonstration of agile humanoid locomotion on real-world granular terrain. Project page: https://humanoid-gm-locomotion.github.io/HUMANOID-GM/
• Abstract（参考訳）: 粒状地形上でのヒューマノイドの移動は、モデル化が困難である複雑なフット・テランの相互作用のダイナミクスのため、依然として重要な課題である。 既存のアプローチは、粒度の接触力学を無視したり、ヒューリスティックな接点成分を持つ単純化された正規力モデルを統合する。 本研究では,3次元抵抗力理論(3D RFT)に基づく物理接地モデルを提案する。 従来の固形接触モデルとアドホックヒューリスティックスを用いた簡易な粒状接触モデルとは異なり、接触解法はヒューリスティックスに頼らずに物理的に正確な粒状侵入ダイナミクスを生成する。 トレーニング中に現実的な浸透と具体的な抵抗を捉え、厳密な接触モデルが失敗する現実世界の粒状地形に確実に移動する行動を学ぶことができる。 様々な地形条件に適応するために,教師が学習するRLを用いて,地形情報をコンパクトな潜伏表現に符号化する可変オートエンコーダを用いて地形適応型移動制御装置を訓練する。 物質点法(MPM)とNVIDIA Newtonを用いたシミュレーション研究は,本手法が未確認の粒界に一般化し,ベースラインよりもはるかに高い成功率を達成し,ゼロショット地形の識別と適応を実証することを示した。 さらに、玄武岩、乾いた砂、砂浜など、様々な現実世界の粒状地形における広範なハードウェア実験を通じて、我々のアプローチを検証する。 私たちの知る限りでは、これは現実世界の粒状地におけるアジャイルなヒューマノイドの移動の初めての実演です。 プロジェクトページ:https://humanoid-gm-locomotion.github.io/HUMANOID-GM/

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)
• GAUGE: A Measurement-Grounded Benchmark for Physical Fidelity in Simulation Engines and Video World Models [66.77745044586173]
  GAUGEは、数値シミュレータと生成ビデオワールドモデルがどのように現実の物理学から再現または逸脱するかを評価するための実世界の診断ベンチマークである。 一般化された軌道誤差を用いて14のタスクファミリー上でIsaac Sim,Genesis,Newtonをベンチマークし,5つの剛体タスクに対して6つのイメージ・ツー・ビデオモデルを評価する。 この結果から, 衝撃的接触, 高速繊維運動, 体積変形に起因する最大の相違点を有する一様忠実な物理エンジンは見つからなかった。
  論文  参考訳（メタデータ） (2026-08-06T12:19:38Z)
• Learning a Particle Dynamics Model with Real-world Videos [3.8381345540147414]
  我々は、未ラベルの現実世界のビデオから直接、ニューラルオブジェクトのダイナミックスモデルをトレーニングするための新しいフレームワークを導入する。 このモデルはレンダリングの監督を通じてトレーニングされており、粒子レベルのラベル付き状態を必要とせずに実世界のビデオから学習することができる。 この研究を可能にするために,約500本の動画が多種多様な物体の相互作用を捉えた実世界のデータセットも提示した。
  論文  参考訳（メタデータ） (2026-05-22T16:56:27Z)
• Inverse Resistive Force Theory (I-RFT): Learning granular properties through robot-terrain physical interactions [7.397755522601659]
  物理インフォームド機械学習フレームワークである逆抵抗力理論(Inverse Resistive Force Theory, I-RFT)を導入し、地形特性を推定する。 I-RFTは、様々な動きプリミティブをまたいだ一般化を可能にしながら、物理的整合性を保つ。 I-RFTは、複数の歩行軌跡とつま先形状の地形特性を正確に推定する。
  論文  参考訳（メタデータ） (2026-03-08T20:30:31Z)
• D-REX: Differentiable Real-to-Sim-to-Real Engine for Learning Dexterous Grasping [66.22412592525369]
  本稿では,ガウスのSplat表現を生かした実--sim-to-realエンジンを導入し,実-sim-to-realエンジンについて述べる。 提案エンジンは, 各種物体の形状と質量値のマス識別において, 高精度かつロバストな性能を実現していることを示す。 これらの最適化された質量値は、力覚的なポリシー学習を促進し、オブジェクトの把握において優れた、高いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-03-01T15:32:04Z)
• MeshMimic: Geometry-Aware Humanoid Motion Learning through 3D Scene Reconstruction [54.36564144414704]
  MeshMimicは、3Dシーンの再構築とインテリジェンスを組み込んだ革新的なフレームワークで、ヒューマノイドロボットがビデオから直接「モーション・テライン」インタラクションを学習できるようにする。 現状の3次元視覚モデルを活用することで、我々のフレームワークは、人間の軌跡と基礎となる地形や物体の3次元幾何学の両方を正確にセグメント化し再構築する。
  論文  参考訳（メタデータ） (2026-02-17T17:09:45Z)
• Surrogate compliance modeling enables reinforcement learned locomotion gaits for soft robots [5.193389420813379]
  適応型形態形成ロボットは、変化するタスクや環境条件を満たすために形態と制御ポリシーに適応する。 このようなシステムの多くは、形状変形を可能にするソフトコンポーネントを利用するが、シミュレーションや制御の課題も導入している。 本稿では,ソフトボディ物理を明示的にモデル化する代わりに,剛体シミュレータ内でのソフトマテリアル変形を表す間接変数を導入する。
  論文  参考訳（メタデータ） (2025-12-08T02:52:42Z)
• Contact-Implicit Modeling and Simulation of a Snake Robot on Compliant and Granular Terrain [0.0]
  本論文は,COBRAヘビロボットの横巻き及び転動動作を解析するための統一モデリングおよびシミュレーションフレームワークを提案する。 サイドウインド中の分散摩擦相互作用をモデル化するために、接触-単純定式化が用いられる。 急勾配での高エネルギー転がり移動には、クロノDEMエンジンが粒子と粒子の相互作用をシミュレートするために用いられる。
  論文  参考訳（メタデータ） (2025-12-04T17:20:32Z)
• Learning Humanoid Locomotion over Challenging Terrain [84.35038297708485]
  本研究では,自然と人為的な地形を横断する視覚障害者の移動に対する学習に基づくアプローチを提案する。 本モデルではまず, 時系列モデルを用いた平地軌道のデータセット上で事前学習を行い, 補強学習を用いて不均一な地形を微調整する。 本研究では, 荒面, 変形面, 傾斜面など, 様々な地形にまたがる実際のヒューマノイドロボットを用いて, モデルを評価する。
  論文  参考訳（メタデータ） (2024-10-04T17:57:09Z)
• GraMMaR: Ground-aware Motion Model for 3D Human Motion Reconstruction [61.833152949826946]
  本研究では,GraMMaRという3次元人体動作再構成のための新しいグラウンド・アウェア・モーション・モデルを提案する。 GraMMaRは、動きシーケンスの各時間ステップにおいて、ポーズにおける遷移の分布と、各関節面と接地面の間の相互作用を学習する。 運動と地面への距離変化との整合性を明確に促進するように訓練されている。
  論文  参考訳（メタデータ） (2023-06-29T07:22:20Z)
• Real-World Humanoid Locomotion with Reinforcement Learning [92.85934954371099]
  実世界におけるヒューマノイド移動に対する完全学習型アプローチを提案する。 コントローラーは様々な屋外の地形の上を歩けるし、外乱に対して頑丈で、状況に応じて適応できる。
  論文  参考訳（メタデータ） (2023-03-06T18:59:09Z)
• Deep Generative Framework for Interactive 3D Terrain Authoring and Manipulation [4.202216894379241]
  本稿では,VAEと生成条件GANモデルを組み合わせた新しいランドスケープオーサリングフレームワークを提案する。 我々のフレームワークは実世界の地形データセットから潜在空間を学習することで既存の手法の限界を克服しようとする例に基づく手法である。 我々はまた、ユーザが最小限の入力で多様な地形を生成できるインタラクティブツールを開発した。
  論文  参考訳（メタデータ） (2022-01-07T08:58:01Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

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。