論文の概要: CAP: Continuously Adaptive Perception-Blind Humanoid Locomotion via Learned Denoising

• arxiv url: http://arxiv.org/abs/2609.11553v1
• Date: Thu, 10 Sep 2026 13:45:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.376024
• Title: CAP: Continuously Adaptive Perception-Blind Humanoid Locomotion via Learned Denoising
• Title（参考訳）: CAP:学習認知による連続的適応型知覚ブラインド型ヒューマノイドロコモーション
• Abstract要約: 単段型ヒューマノイドロコモーションポリシーであるCAPを提案する。 学習デノイザとして訓練された知覚的世界モデルエンコーダは、破損した入力からクリーンな深さを再構築する。 インセプションでは、深度が情報的であり続けるとCAPは知覚ベースラインと一致または改善し、知覚が悪化するにつれて二分スイッチングベースラインよりもスムーズに低下する。
• 参考スコア（独自算出の注目度）: 13.919079287180368
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Humanoid locomotion across complex terrain demands forward-looking exteroception to anticipate obstacles, yet this signal is unreliable in real-world deployment, failing partially and intermittently. Existing perceptive policies often assume that depth observations remain clean and in-distribution, while recent attempts to unify perceptive and blind control typically route or switch between separate sub-policies, leaving recoverable information in partially corrupted depth unexploited. We instead propose CAP, a single-stage humanoid locomotion policy that recovers this signal with a perceptive world-model encoder trained as a learned denoiser to reconstruct clean depth from a corrupted input, together with a co-active proprioceptive variational encoder that supplies depth-free body-state information. A coupled training recipe pairs a depth-noise curriculum on the world-model input with world-model feature dropout on the policy-facing latent, exposing the policy to failures across the entire perception-quality spectrum. In simulation, CAP matches or improves upon perceptive baselines when depth remains informative, and degrades more smoothly than a binary-switching baseline as perception worsens. On the Unitree G1, controlled trials and indoor-outdoor deployments demonstrate perception-robust locomotion under intermittent occlusion, real-sensor corruption, and outdoor depth artifacts.
• Abstract（参考訳）: 複雑な地形を横断するヒューマノイドの移動は、障害物を予測するために前方からの外部受容を要求するが、この信号は現実の展開では信頼性が低く、部分的には断続的に失敗する。 既存の知覚的政策は、深さの観察がきれいで分布していないと仮定することが多いが、近年の知覚的および盲導的な制御を統一しようとする試みは、通常、別々のサブポリスをルートしたり切り替えたりし、部分的に破損した深さに復元可能な情報を残す。 そこで我々は,この信号を学習デノイザとして訓練した知覚的世界モデルエンコーダを用いて,損傷した入力からクリーンな深度を再構築する単一段階のヒューマノイドロコモーションポリシーであるCAPと,深度自由な身体状態情報を提供するコアクティブな受容的変動エンコーダを提案する。 組み合わせたトレーニングレシピは、世界モデル入力の深度ノイズのカリキュラムと、政策に直面する潜伏者に対するワールドモデル特徴のドロップアウトとを組み合わせ、認識品質のスペクトル全体にわたる障害に対するポリシーを公開する。 シミュレーションでは、CAPは深度が情報的であり続けると知覚ベースラインと一致または改善し、知覚が悪化するにつれて二分変化ベースラインよりも滑らかに劣化する。 ユニツリーG1では、制御された試験と室内外の展開により、間欠的な閉塞、リアルセンサーの破損、屋外の深度人工物の下での知覚-腐食移動が示される。

関連論文リスト

• Global-Local Attention Decomposition for Terrain Encoding in Humanoid Perceptive Locomotion [7.888727249239356]
  人型移動における地形符号化のためのグローバルローカルアテンション分解(GLAD)を提案する。 実験により、GLADは難解な隙間、石段、階段上での信頼性の高い移動を可能にすることが示された。 実世界におけるLiDARを用いたUnitree G1ヒューマノイドロボットの展開において,提案手法はロバストなゼロショット・シム・トゥ・リアルトランスファーを実現する。
  論文  参考訳（メタデータ） (2026-05-30T09:23:07Z)
• Referring-Aware Visuomotor Policy Learning for Closed-Loop Manipulation [91.20850436220267]
  Referring-Aware Visuomotor Policy(ReV)について紹介する。 ReVは、人間または高レベルの推論プランナーによって提供されるスパース参照ポイントを組み込む。 これは、専門家のデモンストレーションにターゲットの摂動を適用することでのみ訓練される。
  論文  参考訳（メタデータ） (2026-04-07T07:41:11Z)
• Decentralized End-to-End Multi-AAV Pursuit Using Predictive Spatio-Temporal Observation via Deep Reinforcement Learning [5.002036203828793]
  乱雑な環境における分散的協調的追跡は、自律的な空中群れにとって困難である。 本稿では,LDARの生観測を直接連続制御コマンドにマッピングする分散エンドツーエンドのマルチエージェント強化学習フレームワークを提案する。 単一の分散ポリシにより、エージェントは静的障害をナビゲートし、動的ターゲットをインターセプトし、協調的な囲いを維持することができる。
  論文  参考訳（メタデータ） (2026-03-25T12:23:35Z)
• Neural Uncertainty Principle: A Unified View of Adversarial Fragility and LLM Hallucination [60.197429875410286]
  大規模言語モデルにおける視覚と幻覚の対立的脆弱性は、伝統的に別の問題と見なされている。 損失誘起状態下でのニューラル不確実性原理(NUP)の定式化により, ほぼバウンド状態においては, さらなる圧縮は感度分散の増大を伴うことが判明した。 視覚では、高度に結合したコンポーネントをマスキングすることで、コストのかかる敵の訓練なしに堅牢性を向上させる。 言語では、任意の応答トークンを生成する前に、同じプレフィルステージプローブが幻覚リスクを検出する。
  論文  参考訳（メタデータ） (2026-03-20T02:07:10Z)
• ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation [55.467742403416175]
  本稿では,大規模モーションキャプチャをヒューマノイドに変換する物理駆動型ニューラルネットワークを提案する。 我々は高密度参照とスパースタスク仕様の両方をサポートする統合マルチモーダルコントローラを学習する。 その結果,ULTRAは自我中心の知覚から,自律的,目標条件付き全体ロコ操作に一般化することが示された。
  論文  参考訳（メタデータ） (2026-03-03T18:59:29Z)
• Human Supervision as an Information Bottleneck: A Unified Theory of Error Floors in Human-Guided Learning [51.56484100374058]
  制約は、モデルスケールや最適化よりも、監督チャネルの構造的特性を反映している、と我々は主張する。 我々は、人間の監督チャネルが潜在評価対象に十分でない場合、情報伝達チャネルとして機能することを示す統一理論を開発する。
  論文  参考訳（メタデータ） (2026-02-26T19:11:32Z)
• Robust and Generalized Humanoid Motion Tracking [17.58241987932198]
  一般的なヒューマノイド全体制御器の学習は、ロボット領域に移動された後、実用的な参照動作がノイズや不整合を示す可能性があるため、困難である。 本稿では,因果的時間的エンコーダを用いた動的条件付きコマンドアグリゲーションフレームワークの提案と,コンテキストウィンドウを選択的に集約するマルチヘッド・クロスアテンション・コマンドエンコーダを提案する。 提案手法は多種多様な参照入力と挑戦的な動作条件の下で評価され,無見えない動作へのゼロショット転送と,物理的ヒューマノイドロボットへのロバストなシミュレート・トゥ・リアル転送が実証された。
  論文  参考訳（メタデータ） (2026-01-30T15:27:43Z)
• Mitigating Covariate Shift in Imitation Learning for Autonomous Vehicles Using Latent Space Generative World Models [60.87795376541144]
  World Model(ワールドモデル)は、エージェントの次の状態を予測できるニューラルネットワークである。 エンド・ツー・エンドのトレーニングでは、人間のデモで観察された状態と整合してエラーから回復する方法を学ぶ。 クローズドループ試験における先行技術に有意な改善がみられた定性的,定量的な結果を示す。
  論文  参考訳（メタデータ） (2024-09-25T06:48:25Z)
• DPMesh: Exploiting Diffusion Prior for Occluded Human Mesh Recovery [71.6345505427213]
  DPMeshは、人間のメッシュリカバリを排除した革新的なフレームワークである。 これは、事前訓練されたテキスト・ツー・イメージ拡散モデルに埋め込まれた対象構造と空間的関係について、より深い拡散に乗じる。
  論文  参考訳（メタデータ） (2024-04-01T18:59:13Z)
• Resilient Legged Local Navigation: Learning to Traverse with Compromised Perception End-to-End [16.748853375988013]
  我々は認識障害を目に見えない障害と落とし穴としてモデル化する。 我々は、強化学習に基づくローカルナビゲーションポリシーを訓練し、足のついたロボットを案内する。 シミュレーションおよび実四足歩行ロボットANYmalをリアルタイムに動作させることにより,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-10-05T15:01:31Z)
• Attention Disturbance and Dual-Path Constraint Network for Occluded Person Re-identification [36.86516784815214]
  本稿では,アテンションネットワークの一般化を促進するために,トランスフォーマーに基づくアテンション障害とデュアルパス制約ネットワーク(ADP)を提案する。 実世界の障害物を模倣するため,攻撃音を発生させるアテンション外乱マスク(ADM)モジュールを導入する。 我々はまた、全体像から望ましい監視情報を得ることができるデュアルパス制約モジュール(DPC)を開発した。
  論文  参考訳（メタデータ） (2023-03-20T09:56:35Z)
• RIOT: Recursive Inertial Odometry Transformer for Localisation from Low-Cost IMU Measurements [5.770538064283154]
  我々は,慣性データにおける空間的特徴と長距離依存性の両方を自己注意を利用して捉えた,不変な深部慣性音韻のポーズのための2つのエンドツーエンドフレームワークを提案する。 我々は、同じデータで同じ方法で訓練されたカスタム2層Gated Recurrent Unitに対するアプローチを評価し、複数の異なるユーザ、デバイス、アクティビティに対してそれぞれのアプローチをテストした。
  論文  参考訳（メタデータ） (2023-03-03T00:20:01Z)

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。