論文の概要: RecMorph: Topology-Guided Spatial Recurrence for Generalized Morphology Control

• arxiv url: http://arxiv.org/abs/2609.18359v1
• Date: Wed, 16 Sep 2026 09:17:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.732233
• Title: RecMorph: Topology-Guided Spatial Recurrence for Generalized Morphology Control
• Title（参考訳）: RecMorph:一般形態制御のためのトポロジー誘導空間再帰
• Abstract要約: 一般的な形態制御は、身体的な役割の異なる手足間で情報を変換し、全身の動きを調整し、体の大きさが大きくなるにつれて効率を保ち続けるための単一のポリシーを必要とする。 RecMorphというトポロジ誘導型リカレントアーキテクチャを導入し、リカレントシーケンス計算を用いてクロスリンク通信と表現変換を共同で行う。
• 参考スコア（独自算出の注目度）: 19.40812831943115
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generalized morphology control requires a single policy to transform information across limbs with different physical roles, coordinate whole-body motion, and remain efficient as body size grows. Existing communication mechanisms address these requirements only partially. We introduce RecMorph, a topology-guided spatial recurrent architecture that uses recurrent sequence computation to jointly perform cross-limb communication and representation transformation. A depth-first traversal converts the kinematic tree into a morphology-derived sequence, along which shared bidirectional transitions progressively transform limb information before action decoding. Residual preservation, RMS normalization, and input-dependent channel modulation stabilize this repeated spatial transformation, yielding linear token complexity at fixed model width and depth. Across five UNIMAL tasks, RecMorph achieves the strongest mean final training performance among the evaluated generalized morphology controllers and the highest measured inference throughput on FT, while generalizing to unseen variations and bodies with up to 30 limbs. We further migrate representative generalized controllers from UNIMAL benchmarks to a four-platform quadruped setting. RecMorph achieves the best macro-averaged performance under nominal and high friction, reduces nominal velocity RMSE by 43.5% relative to specialist MLPs, and one shared policy completes 40 physical Go1/Go2 trials without falls. These results show that topology-guided recurrent transformation provides an effective and efficient communication mechanism for Generalized Morphology Control and remains effective when transferred from procedural bodies to physical robot platforms. Code and experimental resources are publicly available at https://github.com/quanruirao/RecMorph.
• Abstract（参考訳）: 一般的な形態制御は、身体的な役割の異なる手足間で情報を変換し、全身の動きを調整し、体の大きさが大きくなるにつれて効率を保ち続けるための単一のポリシーを必要とする。 既存の通信メカニズムは、これらの要求に部分的にのみ対処する。 RecMorphはトポロジ誘導型空間リカレントアーキテクチャで、リカレントシーケンス計算を用いて、クロスリンク通信と表現変換を共同で行う。 深度優先トラバーサルは、運動木を形態素由来の配列に変換し、共有された双方向遷移は、動作復号の前に手足情報を段階的に変換する。 残留保存, RMS正規化, 入力依存チャネル変調は, この繰り返し空間変換を安定化させ, 固定されたモデル幅と深さで線形トークンの複雑さを生じさせる。 5つのUNIMALタスクの中で、RecMorphは評価された一般化形態制御器の中で最強の平均最終訓練性能を達成し、FT上では最高に測定された推論スループットを達成し、最大30個の手足を持つ変種や体を一般化した。 さらに、汎用コントローラをUNIMALベンチマークから4プラットフォーム4つに移行する。 RecMorphは、名目と高い摩擦下で最高のマクロ平均性能を達成し、名目速度RMSEを専門のMLPと比較して43.5%削減し、1つの共有ポリシーはフォールなしで40の物理Go1/Go2試行を完了させる。 これらの結果から,トポロジ誘導リカレントトランスフォーメーションは汎用形態制御の効果的かつ効率的な通信機構であり,プロシージャ本体から物理ロボットプラットフォームへ移動しても有効であることが示唆された。 コードと実験リソースはhttps://github.com/quanruirao/RecMorph.comで公開されている。

関連論文リスト

• MedMamba: Recasting Mamba for Medical Time Series Classification [6.852021597208217]
  心電図(ECG)や脳電図(EEG)などの医療時系列は、複雑な時間的ダイナミクスを示す。 本稿では,医療時系列分類に適した,原理駆動型多方向性状態空間アーキテクチャであるMedMambaを提案する。 我々の設計は、空間集中化、多時間的時間的構成、非因果的文脈依存という、生理的信号の3つの重要な帰納的バイアスによって導かれる。
  論文  参考訳（メタデータ） (2026-04-17T01:20:02Z)
• A Systematic Empirical Study of Grokking: Depth, Architecture, Activation, and Regularization [0.0]
  暗記からニューラルネットワークの一般化への遅れた遷移をグロッキングすることは、まだ理解されていない。 モジュラー加算に関する因子を系統的に分散させる制御された研究(mod 97)を提案する。 我々の中心的な発見は、グラッキングダイナミクスはアーキテクチャーによって決定されるのではなく、安定性と正規化の間の相互作用によって決定されることである。
  論文  参考訳（メタデータ） (2026-03-26T04:16:01Z)
• MorFiC: Fixing Value Miscalibration for Zero-Shot Quadruped Transfer [50.54752207285298]
  異なる形態を持つ四足歩行ロボット間で学習された移動ポリシーを一般化することは、依然として課題である。 単一共有ポリシを用いたゼロショットクロスモルフォロジーロコモーションのための強化学習手法であるMorFiCを提案する。 また,MorFiCは,形態素間の値予測誤差の分散を低減し,有利な推定値を安定化することを示した。
  論文  参考訳（メタデータ） (2026-03-15T19:03:34Z)
• SurgFormer: Scalable Learning of Organ Deformation with Resection Support and Real-Time Inference [14.49835131603816]
  本稿では,データ駆動型軟組織シミュレーションのための多分解能ゲートトランスであるSurgFormerを紹介する。 高忠実度バイオメカニカル・ソルバは対話的利用には高コストであることが多いので、我々はSurgFormerをデザイナ生成データで訓練し、ノード幅の変位場を予測する。 SurgFormerは良好な効率で高い精度を達成し、両方のタスクの実践的なバックボーンとなる。
  論文  参考訳（メタデータ） (2026-03-06T18:29:47Z)
• TCFNet: Bidirectional face-bone transformation via a Transformer-based coarse-to-fine point movement network [1.9981869613001535]
  そこで我々は,Transformer を用いた粗い点移動ネットワーク (TCFNet) を提案する。 TCFNetは、優れた評価指標と視覚化結果を達成する。
  論文  参考訳（メタデータ） (2025-08-20T03:02:16Z)
• DefTransNet: A Transformer-based Method for Non-Rigid Point Cloud Registration in the Simulation of Soft Tissue Deformation [0.0]
  我々は,非剛点クラウド登録のための新しいエンドツーエンドトランスフォーマーアーキテクチャであるDefTransNetを提案する。 DefTransNetは、大きな変形、外れ値、ノイズ、部分データなど、変形可能な登録に関する重要な課題に対処する。 提案手法の一般化を実証するため,本手法を4つのデータセット上で検証した。
  論文  参考訳（メタデータ） (2025-02-10T10:37:21Z)
• MoEUT: Mixture-of-Experts Universal Transformers [75.96744719516813]
  ユニバーサルトランスフォーマー(UT)は、合成一般化の学習において標準トランスフォーマーよりも有利である。 層共有は、同じ次元を持つ非共有モデルと比較してパラメータ数を大幅に削減する。 従来の作業では、言語モデリングのようなパラメータ数の支配的なタスクと競合する共有層トランスフォーマー設計の提案に成功しなかった。
  論文  参考訳（メタデータ） (2024-05-25T03:24:32Z)
• Understanding Token-level Topological Structures in Transformer-based Time Series Forecasting [52.364260925700485]
  Transformer-based method has achieved state-of-the-art performance in time series forecasting (TSF) 既存のトランスフォーマーが中間層全体を通してトークン間の固有位相構造を完全に活用しているかどうかは不明である。 トークンレベルのトポロジを明示的にかつ適応的に保存するトランスフォーマーベースの新しいTSF手法であるトポロジ拡張法(TEM)を提案する。
  論文  参考訳（メタデータ） (2024-04-16T07:21:39Z)
• Global-to-Local Modeling for Video-based 3D Human Pose and Shape Estimation [53.04781510348416]
  フレーム内精度とフレーム間スムーズさにより,映像に基づく3次元人間のポーズと形状推定を評価する。 エンドツーエンドフレームワークGLoT(Global-to-Local Transformer)における長期的・短期的相関のモデル化を構造的に分離することを提案する。 我々のGLoTは、一般的なベンチマーク(3DPW、MPI-INF-3DHP、Human3.6M)において、最も低いモデルパラメータを持つ従来の最先端の手法を上回る。
  論文  参考訳（メタデータ） (2023-03-26T14:57:49Z)
• Unsupervised Motion Representation Learning with Capsule Autoencoders [54.81628825371412]
  Motion Capsule Autoencoder (MCAE) は、2レベル階層のモーションをモデル化する。 MCAEは、新しいTrajectory20モーションデータセットと、様々な現実世界の骨格に基づく人間のアクションデータセットで評価されている。
  論文  参考訳（メタデータ） (2021-10-01T16:52:03Z)

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。