論文の概要: JEPLO: Joint-Embedding Predictive Learning for LiDAR-Based Legged Locomotion

• arxiv url: http://arxiv.org/abs/2609.15770v1
• Date: Mon, 14 Sep 2026 15:54:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.478544
• Title: JEPLO: Joint-Embedding Predictive Learning for LiDAR-Based Legged Locomotion
• Title（参考訳）: JEPLO: LiDARベースのLegged Locomotionのための共同組込み予測学習
• Abstract要約: 光検出と測光 (LiDAR) は, 知覚下肢運動において, RGB-D センシングよりは明らかにされていない。 脚付きロボットのための一段階学習フレームワークJEPLOについて述べる。
• 参考スコア（独自算出の注目度）: 8.084427632575496
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Light detection and ranging (LiDAR) remains less explored than RGB-D sensing for perceptive legged locomotion, and existing LiDAR-based approaches often rely on explicit mapping. We present JEPLO (Joint-Embedding Predictive learning for legged LOcomotion), a single-stage learning framework for mapping-free, LiDAR-based perceptive locomotion for legged robots. We introduce a proprio-exteroceptive JEPA (PE-JEPA) world model to learn predictive egocentric terrain representations from onboard observations, including raw LiDAR scans. A concurrent JEPA-teacher-student (CJTS) pipeline is further proposed to train a locomotion policy informed by JEPA latent representations in simulation using deep reinforcement learning with a simple reward formulation. The framework achieves successful sim-to-real transfer, enabling omnidirectional traversal of diverse terrains, including long staircases and high boxes, with lightweight onboard computation. Evaluations demonstrate greater robustness than existing perceptive locomotion frameworks, particularly under degraded perception caused by occlusion, sparsity and noise. Further analysis validates JEPLO's ability to retain task-relevant information under these challenging conditions. We open-source our implementation, experimental datasets, and hardware setup designs https://github.com/ASIG-X/JEPLO.
• Abstract（参考訳）: 光検出と測光(LiDAR)は、知覚的な足の動きに対するRGB-Dセンシングよりも探索性が低く、既存のLiDARベースのアプローチは、しばしば明示的なマッピングに依存している。 脚付きロボットのための地図のないLiDARに基づく知覚的移動のための単段階学習フレームワークであるJEPLO(Joint-Embedding Predictive Learning for legged LOcomotion)を提案する。 実地LiDARスキャンを含む観測結果から予測的エゴセントリックな地形表現を学習するためのプロプリオ・エゴセプティブ・JEPA(PE-JEPA)世界モデルを提案する。 また,JEPAに通知されるロコモーションポリシーを,単純な報酬定式化による深層強化学習を用いたシミュレーションで訓練するために,同時JEPA-Teacher-Student (CJTS)パイプラインを提案する。 このフレームワークはsim-to-real転送を成功させ、軽量なオンボード計算で長い階段や高い箱など、多様な地形を全方向で横断することを可能にする。 評価は、既存の知覚的移動フレームワークよりも頑健性を示し、特に閉塞、空間性、騒音によって生じる劣化した知覚下では顕著である。 さらなる分析は、これらの困難な条件下でタスク関連情報を保持できるJEPLOの能力を検証する。 我々は,実装,実験データセット,ハードウェアセットアップ設計をオープンソース化した。

関連論文リスト

• EgoNeMo: Transferable Map of Pedestrian Dynamics via Egocentric LiDAR Scan [13.267842001048502]
  本稿では,未知環境に一般化した移動可能な動的マップ(MoD)フレームワークを提案する。 MoDは、正確な歩行者軌道予測や安全なロボットナビゲーションを可能にするために、人間の動作特性を符号化するために不可欠である。 我々のフレームワークは、様々な環境にまたがる連続したLiDARベースのMoD推定器を訓練する。
  論文  参考訳（メタデータ） (2026-09-05T17:35:21Z)
• LightLoc++: Sensor-Robust Representation Learning for Efficient Outdoor LiDAR Localization [50.7242785475893]
  シーン座標回帰(SCR)は、屋外のLiDARローカライゼーションにおいて高いパフォーマンスを達成するが、通常は数日を要するシーン固有のトレーニングを必要とする。 最近の研究は、SCRをシーンに依存しないバックボーンとシーン固有の予測ヘッドに分離することで、トレーニング効率を向上させる。 センサロバストで効率的な屋外LiDARローカライゼーションフレームワークであるLightLoc++を提案する。
  論文  参考訳（メタデータ） (2026-08-15T16:50:34Z)
• ZTRS: Zero-Imitation End-to-end Autonomous Driving with Trajectory Scoring [52.195295396336526]
  ZTRS(Zero-Imitation End-to-End Autonomous Driving with Trajectory Scoring)は、情報を失うことなくセンサー入力と堅牢な計画のためのRLトレーニングという、両方の世界の強みを組み合わせたフレームワークである。 ZTRSは、Navtest、Navhard、HUGSIMの3つのベンチマークで強力なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-10-28T06:26:36Z)
• Scaling Up Occupancy-centric Driving Scene Generation: Dataset and Method [54.461213497603154]
  作業中心の手法は、最近、フレームとモダリティをまたいだ一貫した条件付けを提供することで、最先端の結果を得た。 Nuplan-Occは、広く使われているNuplanベンチマークから構築された、これまでで最大の占有率データセットである。 高品質な占有、多視点ビデオ、LiDAR点雲を共同で合成する統合フレームワークを開発した。
  論文  参考訳（メタデータ） (2025-10-27T03:52:45Z)
• A Multi-Modal Knowledge-Enhanced Framework for Vessel Trajectory Prediction [15.632923519516295]
  船舶軌道予測のためのマルチモーダル知識強化フレームワーク(MAKER)を提案する。 不規則なサンプリング時間間隔に対抗するため、MAKERはLarge Language Model-Guided Knowledge Transfer (LKT)モジュールを備えている。 複雑な軌跡パターンを学習する能力を強化するため、MAKERは知識ベースのセルフペースト学習(KSL)モジュールを組み込んでいる。
  論文  参考訳（メタデータ） (2025-03-27T00:01:35Z)
• RAPID: Robust and Agile Planner Using Inverse Reinforcement Learning for Vision-Based Drone Navigation [9.25068777307471]
  本稿では,乱雑な環境下でのアジャイルドローン飛行のための学習型ビジュアルプランナを紹介する。 提案したプランナーは、ミリ秒で衝突のないウェイポイントを生成し、ドローンは、異なる知覚、マッピング、計画モジュールを構築することなく、複雑な環境でアジャイルな操作を実行できる。
  論文  参考訳（メタデータ） (2025-02-04T06:42:08Z)
• LiDAR-GS:Real-time LiDAR Re-Simulation using Gaussian Splatting [53.58528891081709]
  都市景観におけるLiDARスキャンをリアルタイムかつ高忠実に再現するLiDAR-GSを提案する。 この手法は,公開可能な大規模シーンデータセットのレンダリングフレームレートと品質の両面において,最先端の結果を達成する。
  論文  参考訳（メタデータ） (2024-10-07T15:07:56Z)
• Multi-Modal Data-Efficient 3D Scene Understanding for Autonomous Driving [58.16024314532443]
  我々は、異なるLiDARスキャンからレーザービーム操作を統合するフレームワークであるLaserMix++を導入し、データ効率の学習を支援するためにLiDAR-カメラ対応を組み込んだ。 結果は、LaserMix++が完全に教師付き代替よりも優れており、5倍のアノテーションで同等の精度を実現していることを示している。 この大幅な進歩は、LiDARベースの3Dシーン理解システムにおける広範囲なラベル付きデータへの依存を減らすための半教師付きアプローチの可能性を示している。
  論文  参考訳（メタデータ） (2024-05-08T17:59:53Z)
• Are You Being Tracked? Discover the Power of Zero-Shot Trajectory Tracing with LLMs! [3.844253028598048]
  LLMTrackは、ゼロショット軌道認識にLLMをどのように活用できるかを示すモデルである。 本研究では,屋内シナリオと屋外シナリオを特徴とする異なる軌跡を用いて,現実のデータセットを用いてモデルを評価した。
  論文  参考訳（メタデータ） (2024-03-10T12:50:35Z)
• SPOT: Scalable 3D Pre-training via Occupancy Prediction for Learning Transferable 3D Representations [76.45009891152178]
  トレーニング-ファインタニングアプローチは、さまざまな下流データセットとタスクをまたいだトレーニング済みのバックボーンを微調整することで、ラベル付けの負担を軽減することができる。 本稿では, 一般表現学習が, 占領予測のタスクを通じて達成できることを, 初めて示す。 本研究は,LiDAR 点の理解を促進するとともに,LiDAR の事前訓練における今後の進歩の道を開くことを目的とする。
  論文  参考訳（メタデータ） (2023-09-19T11:13:01Z)

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。