論文の概要: DAVIS: A Depth-Only End-to-End Active-Vision Framework for Humanoid Soccer Skills
- arxiv url: http://arxiv.org/abs/2609.28175v1
- Date: Wed, 23 Sep 2026 14:19:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:18.060277
- Title: DAVIS: A Depth-Only End-to-End Active-Vision Framework for Humanoid Soccer Skills
- Title（参考訳）: DAVIS:ヒューマノイドサッカースキルのためのエンドツーエンドアクティブビジョンフレームワーク
- Abstract要約: トレーニング中に視認性を考慮した補助幾何学を学習するヒューマノイドサッカースキルのためのフレームワークであるDAVISを提案する。
我々は,目標指向シューティングや方向性ドリブルを含む代表的サッカーコンタクトスキルを,タスク固有のオブジェクト,コマンド,報酬,カリキュラムの定義を通じてインスタンス化する。
- 参考スコア（独自算出の注目度）: 11.320474009316506
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Humanoid soccer contact skills require more than producing high-impact foot-ball contacts: the robot must close the loop over perception, approach, alignment, impact, and recovery while its own motion induces substantial viewpoint changes, frequent loss of the ball from view, and uncertain contact outcomes. In this work, we ask a compact yet stricter question: can a humanoid learn soccer contact skills using only a head-mounted depth image, proprioceptive history, and an optional low-dimensional task command, and directly output 25-DoF joint PD targets without extra runtime perception or planning modules? To this end, we propose DAVIS, a depth-only end-to-end framework for humanoid soccer skills that learns visibility-aware auxiliary geometry during training, and combines GT-to-prediction annealing, task curricula, and AMP-style motion priors to smoothly bridge privileged supervision and real deployment. Built on this framework, we instantiate representative soccer contact skills, including goal-directed shooting and directional dribbling, through task-specific definitions of objects, commands, rewards, and curricula, and validate them through simulation, Noetix E1 real-robot experiments, and ablations.
- Abstract（参考訳）: ロボットは知覚、アプローチ、アライメント、衝撃、回復のループを閉じなければならないが、自身の動きは実質的な視点の変化を誘発し、ボールが視界から頻繁に失われ、不確実な接触結果をもたらす。
本研究は,人間型ロボットが,頭部搭載深度画像,固有受容履歴,オプションの低次元タスクコマンドのみを用いてサッカー接触スキルを学習し,追加のランタイム認識や計画モジュールなしで25-DoF共同PDターゲットを直接出力することができるか,という,コンパクトで厳密な質問である。
そこで本研究では,トレーニング中の視認性を考慮した補助幾何学を学習し,GT-to-prediction annealing,Task curricula,AMP-style motionを併用して,特権的な監督と実際の展開を円滑に橋渡しする,ヒューマノイドサッカースキルのための深さのみのエンドツーエンドフレームワークであるDAVISを提案する。
このフレームワークを基盤として,目標指向のシューティングや方向性のドリブルといった代表的サッカーコンタクトスキルを,オブジェクト,コマンド,報酬,カリキュラムのタスク固有の定義を通じてインスタンス化し,シミュレーション,Noetix E1実ロボット実験,アブリケーションを通じて検証する。
関連論文リスト
- SkillX: Unified Multi-Skill Policy Learning for Humanoid Soccer [10.644145550941778]
本稿では,複数のアトミックサッカースキルを学習し,構成する統合強化学習フレームワークであるSkillXを紹介する。
SkillXは3つのコアデザインを統合している。
シミュレーションおよび実のNoetix E1ヒューマノイドを用いた実験では、堅牢なマルチスキル実行、長距離スキル構成、sim-to-realデプロイメントが成功している。
論文 参考訳（メタデータ） (2026-09-06T16:41:29Z) - Vision-Based Dribbling for Humanoid Soccer via Privileged Representation Learning [2.1866669929322837]
アクティブな相手を回避しながらサッカーボールをドリブルするには、同時バランス、正確なボール制御、およびオンボードセンシングおよびリアルタイム制約下での動的敵の認識が必要である。
本稿では,時間深度エンコーダをタスク固有のプロジェクション層を通じて強化学習ポリシーに組み込む手法を提案する。
我々は,この枠組みをシミュレーションされたブースターT1ヒューマノイドロボットに適用し,深度観測から直接視覚に基づく対戦意識のドリブルを学習可能であることを示す。
論文 参考訳（メタデータ） (2026-07-14T12:27:58Z) - SMASH: Mastering Scalable Whole-Body Skills for Humanoid Ping-Pong with Egocentric Vision [53.709632118234936]
Methodnameはアジャイルなヒューマノイドテーブルテニスのためのモジュールシステムである。
これは、スケーラブルな全身スキル学習と、オンボードの自我中心の認識を統一する。
そこで本研究では,オンボードセンシングだけで連続的なストライクを行うことができる最初のヒューマノイドテーブルテニスシステムについて紹介する。
論文 参考訳（メタデータ） (2026-04-01T17:11:52Z) - Learning Soccer Skills for Humanoid Robots: A Progressive Perception-Action Framework [50.6604971348824]
サッカーはヒューマノイドロボットにとって重要な課題であり、密に統合された知覚アクション機能を必要としている。
本稿では,サッカースキル獲得を3段階に分割するプログレッシブアーキテクチャであるパーセプション・アクション統合意思決定(PAiD)を提案する。
ユニトリーG1の実験では、多種多様な条件下で頑健な性能を持つ高忠実な人間のような蹴りが実証された。
論文 参考訳（メタデータ） (2026-02-05T05:05:03Z) - SoccerMaster: A Vision Foundation Model for Soccer Understanding [50.88251190999469]
サッカーの理解は、最近、そのドメイン固有の複雑さとユニークな課題のために、研究の関心が高まっている。
本研究の目的は,微粒な知覚から意味論的推論に至るまで,多様なサッカー視覚理解タスクを扱う統一モデルを提案することである。
1つのフレームワーク内で多様な理解タスクを統一する、サッカー特有のビジョン基盤モデルである、サッカーマスターを提示する。
論文 参考訳（メタデータ） (2025-12-11T18:03:30Z) - HumanoidVerse: A Versatile Humanoid for Vision-Language Guided Multi-Object Rearrangement [51.16740261131198]
視覚言語誘導型ヒューマノイド制御のための新しいフレームワークであるHumanoidVerseを紹介する。
HumanoidVerseは、自然言語命令と自我中心のカメラRGB観測のみでガイドされる複数のオブジェクトの連続的な操作をサポートする。
我々の研究は、現実の知覚的制約の下で複雑なシーケンシャルなタスクを実行できる、堅牢で汎用的なヒューマノイドエージェントに向けた重要なステップである。
論文 参考訳（メタデータ） (2025-08-23T08:23:14Z) - Emergent Active Perception and Dexterity of Simulated Humanoids from Visual Reinforcement Learning [69.71072181304066]
本稿では,擬似ヒューマノイドを用いた視覚駆動全身制御フレームワークであるPerceptive Dexterous Control (PDC)を紹介する。
PDCは、タスク仕様のためのエゴセントリックなビジョンのみを運用し、ビジュアルキューによるオブジェクト検索、ターゲット配置、スキル選択を可能にする。
強化学習によるスクラッチからのトレーニングは,能動探索などの創発的な行動を引き起こす可能性があることを示す。
論文 参考訳（メタデータ） (2025-05-18T07:33:31Z) - Learning Robot Soccer from Egocentric Vision with Deep Reinforcement Learning [17.906144781244336]
我々は,自己中心型RGBビジョンによる完全オンボード計算とセンシングにより,エンドツーエンドのロボットサッカーポリシーを訓練する。
本稿では,マルチエージェントロボットサッカーにおけるエンドツーエンドトレーニングの最初の実演を行う。
論文 参考訳（メタデータ） (2024-05-03T18:41:13Z) - From Motor Control to Team Play in Simulated Humanoid Football [56.86144022071756]
我々は、現実的な仮想環境でサッカーをするために、物理的にシミュレートされたヒューマノイドアバターのチームを訓練する。
一連の段階において、プレイヤーはまず、現実的な人間のような動きを実行するために、完全に関節化された身体を制御することを学習する。
その後、ドリブルやシューティングといった中級のサッカーのスキルを身につける。
最後に、彼らは他の人を意識し、チームとしてプレーし、ミリ秒のタイムスケールで低レベルのモーターコントロールのギャップを埋める。
論文 参考訳（メタデータ） (2021-05-25T20:17:10Z)
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。