論文の概要: GLAMDRING: Gait Learning And Morphology co-Design via Reinforcement LearnING of CPGs

• arxiv url: http://arxiv.org/abs/2609.19452v1
• Date: Wed, 16 Sep 2026 21:37:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.02145
• Title: GLAMDRING: Gait Learning And Morphology co-Design via Reinforcement LearnING of CPGs
• Title（参考訳）: GLAMDRING: CPGの強化学習による歩行学習と形態学の共設計
• Abstract要約: GLAMDRINGは、移動作業に最適なロボットを合成するフレームワークである。 対象とする設計目標に対して、実現可能な設計をランク付けします。 我々は強化学習によって少数の政策を訓練する。
• 参考スコア（独自算出の注目度）: 8.650966395033198
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Robots are moving out of the structured factory floor and into unstructured environments such as disaster sites, planetary surfaces, and agricultural fields, for which the right robot often does not yet exist. We present GLAMDRING, a framework that synthesizes the optimal robot for a locomotion task and, jointly, learns the controller that drives it. For the given specifications of forward-velocity bounds, a per-actuator power budget, an actuator library, and a payload requirement, GLAMDRING returns a matched quadruped morphology (link geometry and per-joint actuators) and a Hopf-oscillator Central Pattern Generator (CPG) gait policy. We rank feasible designs against a target design objective, viz., maximum speed, minimum Cost of Transport (CoT), or max Payload Margin. Because body and locomotion are coupled, the optimal morphology dictates how a robot is driven, while optimal gait depends on the physical body. We train a small number of CPG policies by reinforcement learning across the space of candidate morphologies, co-learning the gait with the underlying robot hardware. Link lengths and actuators are then resolved post-hoc from the policy's logged operating envelope, reducing synthesis cost to a small, fixed number of reinforcement-learning runs instead of one per candidate. Our experiments show three key findings: co-designing body and gait is necessary to satisfy locomotion constraints; actuator-envelope feasibility, rather than locomotion success alone, determines realizable payload capacity; and canonical animal gaits emerge naturally in most designs from morphology and constraints alone. A real-world demonstration further highlights the efficacy of our work.
• Abstract（参考訳）: ロボットは、構造された工場の床から、災害現場、惑星表面、農地などの非構造環境へと移動している。 本稿では,移動作業に最適なロボットを合成するフレームワークであるGLAMDRINGについて述べる。 フォワード速度境界、アクチュエータごとの電力予算、アクチュエータライブラリ、ペイロード要求の仕様について、GLAMDRINGはマッチした四重結合形態(リンク幾何学と接続アクチュエータ)とホップオシレータ中央パターン生成器(CPG)の歩行ポリシーを返却する。 我々は、目標とする設計目標(viz.)、最大速度、最低輸送コスト(CoT)、最大ペイロードマージン(Payload Margin)に対して実現可能な設計をランク付けする。 身体と移動が結合されているため、最適な形態はロボットの運転方法を決定するが、最適な歩行は身体によって異なる。 我々は、候補形態の空間にわたって強化学習を行い、基盤となるロボットハードウェアと共に歩行を学習することで、少数のCPGポリシーを訓練する。 リンク長とアクチュエータは、ポリシーのログ化された操作エンベロープからポストホックで解決され、合成コストは、候補1つではなく、少数の強化学習実行に削減される。 運動の制約を満たすためには,共同設計体と歩行が必要であること,運動の成功のみではなくアクチュエータ・エンベロープの実現可能性,実現可能なペイロード容量を決定すること,そして,ほとんどのデザインにおいて形態学と制約のみからカノニカル動物歩行が自然に現れること,の3つの重要な結果が得られた。 実世界のデモでは、作業の有効性をさらに強調しています。

関連論文リスト

• PILOT: A Perceptive Integrated Low-level Controller for Loco-manipulation over Unstructured Scenes [18.916978556216097]
  PILOTは知覚的ロコ操作に適した単段階強化学習フレームワークである。 知覚的な移動と1つのポリシー内での全身制御をシナジー化する。 PILOTは、既存のベースラインと比較して、安定性、コマンド追跡精度、地形トラバーサビリティが優れている。
  論文  参考訳（メタデータ） (2026-01-24T12:25:20Z)
• Vision-based Goal-Reaching Control for Mobile Robots Using a Hierarchical Learning Framework [4.014524824655106]
  本稿では,システム全体を密結合した関数モジュールの集合に分解する。 提案手法は,アクティベーションシステムの均一な指数的安定性と全動作の安全性を保証する。
  論文  参考訳（メタデータ） (2026-01-02T08:41:47Z)
• OmniRetarget: Interaction-Preserving Data Generation for Humanoid Whole-Body Loco-Manipulation and Scene Interaction [76.44108003274955]
  ヒューマノイドロボットの複雑なスキルを教えるための主要なパラダイムは、強化学習ポリシーの運動学的参照として人間の動きを再ターゲットすることである。 インタラクションメッシュに基づくインタラクション保存データ生成エンジンであるOmniRetargetを紹介する。 人間のメッシュとロボットメッシュの間のラプラシアの変形を最小限にすることで、OmniRetargetは運動学的に実現可能な軌道を生成する。
  論文  参考訳（メタデータ） (2025-09-30T17:59:02Z)
• KungfuBot: Physics-Based Humanoid Whole-Body Control for Learning Highly-Dynamic Skills [58.73043119128804]
  そこで本研究では,Kungfuやダンスなどの人体動作を高度に制御することを目的とした,物理学に基づくヒューマノイド制御フレームワークを提案する。 動作処理では,運動の抽出,フィルタリング,修正,再ターゲティングを行うパイプラインを設計し,物理的制約の遵守を確実にする。 動作模倣では、二段階最適化問題を定式化し、追従精度の許容度を動的に調整する。 実験では,高ダイナミックな動作のセットを模倣するために全身制御ポリシーを訓練する。
  論文  参考訳（メタデータ） (2025-06-15T13:58:53Z)
• RoboScript: Code Generation for Free-Form Manipulation Tasks across Real and Simulation [77.41969287400977]
  本稿では,コード生成を利用したデプロイ可能なロボット操作パイプラインのためのプラットフォームである textbfRobotScript を提案する。 自由形自然言語におけるロボット操作タスクのためのコード生成ベンチマークも提案する。 我々は,Franka と UR5 のロボットアームを含む,複数のロボットエボディメントにまたがるコード生成フレームワークの適応性を実証した。
  論文  参考訳（メタデータ） (2024-02-22T15:12:00Z)
• ManyQuadrupeds: Learning a Single Locomotion Policy for Diverse Quadruped Robots [4.557963624437784]
  動物運動制御からインスピレーションを得ることにより、四足歩行ロボットの1つの移動方針を効果的に訓練できることを示す。 我々の方針は脊髄の中央パターン生成器(CPG)の表現を調節する。 我々は,A1ロボットの名目質量の125%に相当する15kgの負荷を付加しても,頑健な性能を観察する。
  論文  参考訳（メタデータ） (2023-10-16T15:06:16Z)
• REvolveR: Continuous Evolutionary Models for Robot-to-robot Policy Transfer [57.045140028275036]
  本研究では,運動学や形態学など,異なるパラメータを持つ2つの異なるロボット間でポリシーを伝達する問題を考察する。 模倣学習手法を含む動作や状態遷移の分布を一致させることで、新しいポリシーを訓練する既存のアプローチは、最適な動作や/または状態分布が異なるロボットでミスマッチしているために失敗する。 本稿では,物理シミュレータに実装されたロボット政策伝達に連続的進化モデルを用いることで,$RevolveR$という新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-02-10T18:50:25Z)
• An Adaptable Approach to Learn Realistic Legged Locomotion without Examples [38.81854337592694]
  本研究は,バネ装荷逆振り子モデルを用いて学習プロセスを導くことで,移動における現実性を保証するための汎用的アプローチを提案する。 モデルのない設定であっても、2足歩行ロボットと4足歩行ロボットに対して、学習したポリシーが現実的でエネルギー効率のよい移動歩行を生成できることを示す実験結果を示す。
  論文  参考訳（メタデータ） (2021-10-28T10:14:47Z)
• OSCAR: Data-Driven Operational Space Control for Adaptive and Robust Robot Manipulation [50.59541802645156]
  オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。 本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。 本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2021-10-02T01:21:38Z)
• Diversity-based Design Assist for Large Legged Robots [4.505477982701834]
  高さ約2mの大型脚ロボットの設計空間を探索するが、その設計と構造はよく研究されていない。 新たなロボットエンコーディングにより、足が体の長さに沿ってスケーリングするなど、バイオインスパイアされた特徴を実現できる。
  論文  参考訳（メタデータ） (2020-04-17T03:59:17Z)

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。