論文の概要: Learning Slope-Adaptive Whole-Body Locomotion for Humanoid Robots in Roofing Construction

• arxiv url: http://arxiv.org/abs/2609.20558v1
• Date: Thu, 17 Sep 2026 15:22:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.348119
• Title: Learning Slope-Adaptive Whole-Body Locomotion for Humanoid Robots in Roofing Construction
• Title（参考訳）: ルーフィング工法におけるヒューマノイドロボットのスロープ適応全体ロコモーション学習
• Abstract要約: 本研究では,Unitree G1上でのルータースタイルの全身動作を学習するためのタスクセマンティックなシーングラウンドフレームワークを提案する。 人間のデモはトラッキングシステムを使用して撮影され、ロボットに再ターゲティングされ、メトリック屋根モデルはトラッキングシステムから利用できない空間参照を提供する。 実行対応強化学習は、これらの関係を動的追跡エラー下で保存する政策を奨励する。
• 参考スコア（独自算出の注目度）: 7.644350588835671
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Roofing requires workers to coordinate locomotion, balance, and work-related body motions on pitched surfaces, creating a challenging application for humanoid robots. Directly retargeted human demonstrations, however, may preserve motion appearance while placing the robot's feet or hands incorrectly relative to the roof. This study presents a task-semantic scene-grounded framework for learning roofer-style whole-body motions on a Unitree G1. Human demonstrations are captured using a tracking system and retargeted to the robot, while a metric roof model supplies the spatial reference unavailable from the tracking system. A trajectory-level optimization grounds inferred support contacts and annotated work relations to the roof, and execution-aware reinforcement learning encourages the resulting policy to preserve these relations under dynamic tracking errors. The framework is evaluated through a multi-motion tracking study, a roof-pitch coverage matrix, a five-way nailgun ablation, cross-task experiments on hammering and lateral pushing, and comparisons with pure reinforcement learning and zero-shot teleoperation. Our method enables the robot to satisfy support, work-clearance, and nonpenetration criteria across all evaluated seeds. Across nailgun, hammering, and pushing, it achieves work-clearance errors between 0.256 and 0.531 cm and 3/3 successful evaluations per task. Physical experiments reproduce uphill walking, nailgun, hammering, and bending motions with mean base-frame motion errors below 80 mm. These findings establish scene-grounded human motion learning as a promising basis for construction-oriented humanoid motion primitives.
• Abstract（参考訳）: ルーフィングでは、作業員がローコモーション、バランス、作業に関連する身体の動きをピッチされた表面に調整する必要がある。 しかし、直接的に再ターゲットされた人間のデモは、ロボットの足や手を屋根に対して正しく配置しながら、動きの外観を保っている可能性がある。 本研究では,Unitree G1上でのルータースタイルの全身動作を学習するためのタスクセマンティックなシーングラウンドフレームワークを提案する。 人間のデモはトラッキングシステムを使用して撮影され、ロボットに再ターゲティングされ、メトリック屋根モデルはトラッキングシステムから利用できない空間参照を提供する。 トラジェクトリレベルの最適化は,サポートコンタクトを推定し,屋根への注釈付き作業関係を推定し,実行対応強化学習により,動的なトラッキングエラーの下でこれらの関係を維持するための政策を奨励する。 この枠組みは, 多動追跡研究, 屋根ピッチ被覆マトリックス, 5方向釘銃アブレーション, 打突および横押圧のクロスタスク実験, 純強化学習とゼロショット遠隔操作との比較により評価された。 本手法により, 評価された種子の支持, 作業クリアランス, 非侵入基準を満たすことができる。 釘銃、打ち付け、押すことで、作業クリアランスの誤差が 0.256 から 0.531 cm と 3/3 で達成される。 物理実験は、80mm以下の平均ベースフレーム運動誤差で上り坂、釘銃、ハンマー、曲げ運動を再現する。 これらの知見は、建設指向のヒューマノイドモーションプリミティブの有望な基盤として、シーングラウンドのヒューマンモーション学習を確立した。

関連論文リスト

• ViLoMan: Learning Visual-Proprioceptive Whole-Body Loco-Manipulation Skills for Humanoid Robots [56.6238848953359]
  ViLoManは、自律的なヒューマノイドロコ操作のためのスケーラブルなフレームワークである。 自我中心の深度観測と主観的測定を直接ジョイントレベル全体の行動にマッピングする統一的なポリシーを学ぶ。
  論文  参考訳（メタデータ） (2026-09-16T19:10:13Z)
• Robust Brachiation on a Life-Sized Dual-Arm Robot Using Waypoint-Guided Reinforcement Learning [11.876800221374758]
  ブラキレーション(Brachiation)は、霊長類が主に腕を使って移動する移動形態である。 実物大のデュアルアームロボット上でのブレキレーションを実現するための強化学習に基づく手法を提案する。
  論文  参考訳（メタデータ） (2026-08-18T03:24:50Z)
• Behavior Foundations for Quadruped Robots: ABot-C0 Technical Report [25.18747802029395]
  本稿では,四足歩行ロボットの汎用動作制御システムであるABot-C0を提案する。 我々は、条件付きビデオ生成、注釈付きモーションキャプチャ、ヒューマンデザインを通じてデータピラミッドを構築し、16,074個の物理的に実現可能なモーションクリップを生成した。 そして、3段階の特権と知覚の枠組みを採用することで、ロバストな全地球移動に向けて一歩前進します。
  論文  参考訳（メタデータ） (2026-07-08T13:04:07Z)
• Perceptive Behavior Foundation Model: Adapting Human Motion Priors to Robot-Centric Terrain [25.92545023668694]
  我々は、ロボット中心の知覚において、人間の動きを前提とした地形認識型ヒューマノイド制御フレームワークを開発する。 我々は,視覚障害者の教師を訓練し,その地形・地形の振る舞いを生の学生に伝達する。 学生は、移動追跡を前もって保存し、必要なときにのみ局所的な補正を行うように訓練された、地形の特徴が残留経路を通り抜けるアイデンティティ付きトランスフォーマートラッカーである。
  論文  参考訳（メタデータ） (2026-06-06T08:46:44Z)
• Gait-Adaptive Perceptive Humanoid Locomotion with Real-Time Under-Base Terrain Reconstruction [86.53248703859718]
  本研究では,地形認識,歩行制御,全身制御を一つの強化学習ポリシーにマージする知覚的移動フレームワークを提案する。 31-DoF、1.65mのヒューマノイドロボットによる実験は、シミュレーションと実世界の両方で堅牢な移動を実証している。
  論文  参考訳（メタデータ） (2025-12-08T11:42:41Z)
• 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)
• Dexplore: Scalable Neural Control for Dexterous Manipulation from Reference-Scoped Exploration [58.4036440289082]
  ハンドオブジェクトモーションキャプチャ(MoCap)は、大規模でコンタクトに富んだデモと、器用なロボットスコープの約束を提供する。 Dexploreは、リポジトリとトラッキングを実行し、MoCapから直接ロボット制御ポリシーを学習する、統一された単一ループ最適化である。
  論文  参考訳（メタデータ） (2025-09-11T17:59:07Z)
• ExBody2: Advanced Expressive Humanoid Whole-Body Control [16.69009772546575]
  人間のモーションキャプチャーとシミュレーションデータの両方に基づいてトレーニングされた全身トラッキングコントローラの製作法を提案する。 我々は,ロボットのキネマティクスに適合する中間データを生成するために,教師の方針を利用する。 少量のデータによる微調整により追跡性能が大幅に向上した。
  論文  参考訳（メタデータ） (2024-12-17T18:59:51Z)
• Self-Improving Robots: End-to-End Autonomous Visuomotor Reinforcement Learning [54.636562516974884]
  模倣と強化学習において、人間の監督コストは、ロボットが訓練できるデータの量を制限する。 本研究では,自己改善型ロボットシステムのための新しい設計手法であるMEDAL++を提案する。 ロボットは、タスクの実施と解除の両方を学ぶことで、自律的にタスクを練習し、同時にデモンストレーションから報酬関数を推論する。
  論文  参考訳（メタデータ） (2023-03-02T18:51:38Z)

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。