論文の概要: SABER: Learning Attention-based Semantic Affordance for Legged Locomotion

• arxiv url: http://arxiv.org/abs/2609.21572v1
• Date: Fri, 18 Sep 2026 10:02:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:17.000565
• Title: SABER: Learning Attention-based Semantic Affordance for Legged Locomotion
• Title（参考訳）: SABER:足のロコモーションに対する意識に基づくセマンティックアフォーマンス学習
• Abstract要約: 産業環境では、誤配置された1つのステップが壊れやすい機器を傷つけたり、ロボットを不安定にしたり、現場を危険にさらすことがある。 本稿では,地形幾何学とセマンティック・コンタクト・パーミッションを共同で理由づけた,プランナフリーの強化学習政策であるSABERを紹介する。 我々は,Unitree B2のポリシーを検証し,屋内環境と屋外環境のシミュレートとリアルなセマンティック・コンタクトの選択を実証した。
• 参考スコア（独自算出の注目度）: 0.12314765641075437
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Perceptive legged locomotion has advanced rapidly by integrating terrain geometry into learned policies, yet the integration of terrain meaning remains sparse: a pipe, a patch of grass, or a fragile box may be geometrically traversable while being inappropriate for contact. In industrial environments, where legged robots increasingly operate, a single misplaced step can damage fragile equipment, destabilize the robot, or endanger the site. To address this, we introduce SABER, a planner-free reinforcement-learning policy that jointly reasons about terrain geometry and semantic contact permission. The policy consumes a unified terrain-affordance map, where each cell encodes local 3D geometry and a semantic contact cost. We augment cross-attention with a learned, signed semantic bias: an additive term on the attention logits, gated by the contact cost, that reweights flagged cells by their distance from the nearest foot. A hazard therefore reshapes attention where it can still affect the next foothold, and its influence fades where it cannot. The resulting policy selects footholds on permitted support and keeps the leg clear of forbidden regions throughout the swing phase. We perform a systematic ablation that isolates the contribution of each architectural component; removing the semantic bias alone increases forbidden contacts by 55% while velocity tracking is unchanged. We validate the policy on a Unitree B2, demonstrating sim-to-real semantic contact selection across indoor and outdoor environments and four semantic obstacle classes.
• Abstract（参考訳）: 知覚的な足の移動は、地形の幾何学を学習方針に統合することで急速に進歩してきたが、地形の統合は、パイプ、草のパッチ、または壊れやすい箱は、接触に不適切でありながら幾何学的に移動可能である。 脚のついたロボットがますます運用される産業環境では、壊れやすい機器を損傷したり、ロボットを不安定にしたり、現場を危険にさらすことがある。 これを解決するために,地理幾何学とセマンティック・コンタクト・パーミッションを併用したプランナフリーの強化学習政策であるSABERを導入する。 このポリシーは、各セルが局所的な3D形状とセマンティックな接触コストをエンコードする、統合された地形・景観マップを消費する。 注意項目の付加的項は、接触コストによって促進され、最も近い足からの距離で細胞を重み付けする。 そのため、ハザードは次の足場に影響を与えるよう注意を喚起し、その影響は、それができない場所で消える。 その結果得られた政策は、許可された支援に関する足場を選択し、スイングフェーズを通して、禁止された地域を排除している。 我々は,各アーキテクチャコンポーネントのコントリビューションを分離する体系的アブレーションを実施し,セマンティックバイアスを除去するだけで,速度トラッキングが変更されていない間に,禁じられた接触を55%増加させる。 我々は,Unitree B2のポリシーを検証し,屋内および屋外の環境と4つのセマンティック・障害物・クラスにまたがって,シモン・ツー・リアルなセマンティック・コンタクトの選択を実証した。

関連論文リスト

• Tac4Loco: Learning Spatiotemporal Plantar Pressure Representations for Humanoid Locomotion [10.321961925577867]
  マルチアレイ圧力を人体移動の直接的なフィードバックとして組み込んだフレームワークであるTac4Locoを提案する。 傾斜, 部分非対称, 支持変化のある地形において, 追従性能が改善され, 適応性も向上した。
  論文  参考訳（メタデータ） (2026-08-16T14:37:05Z)
• DeSeG: Decoupling Semantic Intent and Geometric Constraints for Physically Plausible Human-Scene Interaction [50.06148080975928]
  本稿では,意味的意図を幾何学的制約から明確に分離する階層型フレームワークであるDeSeGを提案する。 DeSeGは最先端のパフォーマンスを実現し、平均シーン浸透率を47%削減し、SOTAベースラインに対するセマンティックアライメントを29%改善した。
  論文  参考訳（メタデータ） (2026-07-07T03:21:08Z)
• Learning to Evolve: Multi-modal Interactive Fields for Robust Humanoid Navigation in Dynamic Environments [10.149525023566712]
  マルチモーダル・インタラクティブ・フィールド(MIF)は、信頼を意識したセマンティック3Dガウス・スプラッティング、離散性トリガー付き空間記憶更新、およびクローズドループ認識適応パイプライン内でのタスク駆動幾何再構成を統合したヒューマノイド指向システムである。 実際のダイナミックオフィスのUnitree-G1ヒューマノイドでは、MIFは静的なシーングラフメモリに比べて12%から94%の非静的環境における再配置の成功を改善し、実用的なオンライン操作のための機能蒸留によってセマンティックメモリのフットプリントを91.4%削減した。
  論文  参考訳（メタデータ） (2026-05-21T03:11:43Z)
• SECOND-Grasp: Semantic Contact-guided Dexterous Grasping [60.1519218638742]
  Second-Grasp (Semantic Contact-guided Dexterous Grasping) は、ロボットハンドが意味論的推論に基づいて把握戦略を調整できる統合されたフレームワークである。 我々のアプローチは、目に見えるカテゴリーと目に見えないカテゴリの両方で成功率を上げるために、一貫してベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-05-13T07:37:00Z)
• GraspSense: Physically Grounded Grasp and Grip Planning for a Dexterous Robotic Hand via Language-Guided Perception and Force Maps [2.1645011609137295]
  5本の指を持つロボットハンドにおいて,選択と力の調節を把握するためのパイプラインを提案する。 オペレーターコマンドから、システムはターゲットオブジェクトを特定し、SAM3Dを使って3D形状を再構成し、モデルをIsaac Simにインポートする。 物理インフォームド幾何解析は、各表面位置で許容される最大横接触力を符号化する力マップを計算する。
  論文  参考訳（メタデータ） (2026-04-07T10:48:33Z)
• 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)
• Tactile Estimation of Extrinsic Contact Patch for Stable Placement [64.06243248525823]
  本稿では,複雑な物体を積み重ねることを学ぶロボットのためのフィードバックスキルの設計について述べる。 つかんだ物体とその環境間の接触パッチを,力と触覚の観測により推定する。
  論文  参考訳（メタデータ） (2023-09-25T21:51:48Z)
• Language-Conditioned Path Planning [68.13248140217222]
  LACO(Language-Conditioned Collision Functions)は、単一ビューイメージ、言語プロンプト、ロボット構成のみを使用して衝突関数を学習する。 LACOはロボットと環境の衝突を予測し、オブジェクトアノテーション、ポイントクラウドデータ、地平線オブジェクトメッシュを必要とせずに、柔軟な条件付きパス計画を可能にする。 シミュレーションと実世界の両方において、LACOは衝突を禁止せず、衝突の安全な物体との相互作用を可能にする複雑な、ニュアンスのある経路計画を促進することを実証している。
  論文  参考訳（メタデータ） (2023-08-31T17:56:13Z)

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。