論文の概要: Extending the Speed Limit of Quadrupedal Locomotion via Refined Actuator Modeling and Adaptive Command Scheduling

• arxiv url: http://arxiv.org/abs/2609.13289v1
• Date: Wed, 09 Sep 2026 08:45:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-18 06:45:33.059972
• Title: Extending the Speed Limit of Quadrupedal Locomotion via Refined Actuator Modeling and Adaptive Command Scheduling
• Title（参考訳）: 修正アクチュエータモデリングと適応コマンドスケジューリングによる四足歩行の速度限界の延長
• Abstract要約: そこで本研究では,Sim-to-realの相違を低減し,幅広いコマンド分布での学習を安定化する高速移動フレームワークを提案する。 精密アクチュエータモデルは、高速な電圧結合と磁気飽和を明示的に捉え、トルク速度エンベロープのより正確な表現を可能にする。 36.5kgのブラックパンサー2の実験では、トレッドミルで最大13.2m/s、屋外で11.65m/sの速度を示し、新しい最先端技術を確立した。
• 参考スコア（独自算出の注目度）: 0.9298381080776307
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Achieving high-speed locomotion in quadrupedal robots remains highly challenging, as actuators operate near their physical limits and exhibit pronounced nonlinearities. However, many existing methods neglect actuator nonlinearities and physical constraints during training, leading to a significant sim-to-real gap under highly dynamic motions and limiting achievable performance. To address this issue, we propose a high-speed locomotion framework that reduces sim-to-real discrepancies and stabilizes learning over a wide command distribution. A refined actuator model explicitly captures high-speed voltage coupling and magnetic saturation, enabling a more accurate representation of the torque-speed envelope. In addition, a reinforcement learning framework incorporating a two-stage curriculum and adaptive command scheduling (ACS) ensures stable training. Experiments on the 36.5 kg quadruped BlackPanther2 (BP2) demonstrate speeds of up to 13.2 m/s on a treadmill and 11.65 m/s outdoors, establishing a new state-of-the-art and, to the best of our knowledge, a world record for quadrupedal robot locomotion. The results further highlight the importance of accurate actuator modeling in preventing non-physical policy exploitation, and show that ACS improves robustness without sacrificing performance.
• Abstract（参考訳）: 4足歩行ロボットの高速移動は、アクチュエータが物理的な限界付近で動作し、顕著な非線形性を示すため、依然として非常に困難である。 しかし、既存の多くの手法は、訓練中にアクチュエータの非線形性や物理的制約を無視しており、非常にダイナミックな動作下でのかなりのシミュレートとリアルなギャップを生じさせ、達成可能な性能を制限している。 この問題に対処するため,本研究では,sim-to-realの相違を低減し,幅広いコマンド分布での学習を安定化する高速なロコモーションフレームワークを提案する。 改良されたアクチュエータモデルは、高速な電圧結合と磁気飽和を明示的に捉え、トルク速度エンベロープをより正確に表現することができる。 さらに,2段階のカリキュラムと適応コマンドスケジューリング(ACS)を組み込んだ強化学習フレームワークにより,安定したトレーニングが可能である。 36.5kgのブラックパンサー2(BP2)の実験では、トレッドミルで最大13.2m/s、屋外で11.65m/sの速度を示し、新しい最先端技術を確立した。 この結果は,非物理政策利用防止における高精度アクチュエータモデリングの重要性をさらに強調するとともに,ACSが性能を犠牲にすることなくロバスト性を向上させることを示す。

関連論文リスト

• Breaking speed scaling in quadrupedal robots via Huygens' coupled-pendulum dynamics [3.208498459001999]
  ブルートフォースのハードウェアスケーリングよりも,本質的なダイナミックスを原則的に活用することで,優れた移動が実現可能であることを示す。 四足歩行ロボットは10.74m/s(Froude number 21.4)の走行速度を達成し、100mのスプリントを12.2秒で完了する。 これらの結果から, 高速脚移動制御機構として慣性カップリングが確立され, 力量削減におけるその役割が強調された。
  論文  参考訳（メタデータ） (2026-09-09T10:58:20Z)
• A Neural Network Based Teleoperation for Remote Controlled Vehicles [98.38733381483934]
  車両の直接遠隔操作は重要な技術的ボトルネックに直面している。 通信遅延とオペレーターの 物理的に知覚できない 未モデル化の環境障害。 本稿では,一方的な遠隔操作フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-11T01:51:08Z)
• Towards Torque-Driven Reinforcement Learning for Quadruped Locomotion [0.3867363075280543]
  本稿では,高トルク四重項に対するRLトルク制御の枠組みについて検討する。 NvidiaのIsaac SimとIsaac Labを使って、RLトルク制御ポリシーのシミュレーション結果がUnitree B1の4倍になった。 四足歩行は、外感センサーを使わずに階段を上り下りできる。
  論文  参考訳（メタデータ） (2026-07-20T16:35:53Z)
• MAPLE: Latent Multi-Agent Play for End-to-End Autonomous Driving [62.43744546817599]
  視覚言語-アクション(VLA)モデルは、エンドツーエンドのモーションプランナーとして有効であるが、クローズドループ設定で評価すると不安定である。 本稿では, VLAモデルの潜在空間における動的駆動シナリオの, リアクティブでマルチエージェントなロールアウトのための新しいフレームワークMAPLEを提案する。 MAPLEはBench2Driveで最先端の駆動性能を実現し、堅牢なE2E自動運転システムのためのスケーラブルでクローズループなマルチエージェントプレイを実演する。
  論文  参考訳（メタデータ） (2026-05-13T23:35:14Z)
• Time-Division Multiplexing Actuation in Tendon-Driven Arms: Lightweight Design and Fault Tolerance [14.371753469050942]
  TDMA(Time-Division Multiplexing Actuation)は、腱駆動ロボットのための実用的アプローチである。 MuxArmは2.17kgの自己重量を実現し、アクチュエータ駆動能力は10kgまでサポートし、エンドエフェクターの精度を最大1%まで維持する。
  論文  参考訳（メタデータ） (2026-04-18T07:27:45Z)
• Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
  Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。 本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。 このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
  論文  参考訳（メタデータ） (2026-04-10T17:12:07Z)
• FastStair: Learning to Run Up Stairs with Humanoid Robots [19.796528911795516]
  階段を駆け上がるのは人間にはむずかしいが、ヒューマノイドロボットには難しい。 FastStairは、高速で安定した階段上昇を実現するためのプランナーによる多段階学習フレームワークである。 我々は,Oliヒューマノイドロボットに制御器を配置し,最大1.65m/sの速度で安定な階段上昇を実現する。
  論文  参考訳（メタデータ） (2026-01-15T13:14:59Z)
• Monte Carlo Tree Search with Velocity Obstacles for safe and efficient motion planning in dynamic environments [49.30744329170107]
  本稿では,動的障害物に関する情報を最小限に抑えた最適オンライン動作計画手法を提案する。 提案手法は,モデルシミュレーションによるオンライン最適計画のためのモンテカルロ木探索 (MCTS) と障害物回避のためのVelocity Obstacles (VO) を組み合わせた。 我々は,非線形モデル予測制御(NMPC)を含む最先端のプランナーに対して,衝突速度,計算,タスク性能の向上の観点から,我々の方法論の優位性を示す。
  論文  参考訳（メタデータ） (2025-01-16T16:45:08Z)
• RACER: Rational Artificial Intelligence Car-following-model Enhanced by Reality [46.909086734963665]
  本稿では,アダプティブ・クルーズ・コントロール(ACC)運転行動を予測する,最先端の深層学習車追従モデルであるRACERを紹介する。 従来のモデルとは異なり、RACERは実走行の重要な要素であるRDC(Rational Driving Constraints)を効果的に統合している。 RACERはアクセラレーション、ベロシティ、スペーシングといった主要なメトリクスを網羅し、ゼロ違反を登録する。
  論文  参考訳（メタデータ） (2023-12-12T06:21:30Z)
• Learning Low-Frequency Motion Control for Robust and Dynamic Robot Locomotion [10.838285018473725]
  実ANYmal C四重極上で8Hzの低速動作を行う学習モーションコントローラを用いて,ロバストでダイナミックな移動を実演する。 このロボットは、1.5m/sの高速度を頑健かつ反復的に達成し、不均一な地形を横切ることができ、予期せぬ外乱に抵抗することができる。
  論文  参考訳（メタデータ） (2022-09-29T15:55:33Z)
• Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds [100.61456258283245]
  本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。 提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
  論文  参考訳（メタデータ） (2022-07-22T15:16:54Z)
• VAE-Loco: Versatile Quadruped Locomotion by Learning a Disentangled Gait Representation [78.92147339883137]
  本研究では,特定の歩行を構成する主要姿勢位相を捕捉する潜在空間を学習することにより,制御器のロバスト性を高めることが重要であることを示す。 本研究では,ドライブ信号マップの特定の特性が,歩幅,歩幅,立位などの歩行パラメータに直接関係していることを示す。 生成モデルを使用することで、障害の検出と緩和が容易になり、汎用的で堅牢な計画フレームワークを提供する。
  論文  参考訳（メタデータ） (2022-05-02T19:49:53Z)

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。