論文の概要: Echo in the Steps: Learning Perceptive Humanoid Parkour with Gated Memory

• arxiv url: http://arxiv.org/abs/2609.28960v1
• Date: Thu, 24 Sep 2026 03:13:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.689446
• Title: Echo in the Steps: Learning Perceptive Humanoid Parkour with Gated Memory
• Title（参考訳）: ステップにおけるエコー: ゲーテッドメモリを用いた知覚型ヒューマノイドパークの学習
• Abstract要約: このフレームワークは、サリエンシとメモリの前のサリエンシを組み合わせた、サリエンシ誘導の時間知覚モジュールを備えている。 本手法は,シミュレーションと実世界の両方において,挑戦的な地形における成功率と足場精度を大幅に向上させる。
• 参考スコア（独自算出の注目度）: 33.433356550134384
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While recent advances in perceptive locomotion have enabled humanoid robots to traverse structured terrains, agile parkour in highly discontinuous environments remains an open challenge. In particular, crossing sparse footholds and narrow support regions requires precise foothold selection, effective use of visual observations, and consistent alternating foot placement during fast transitions. In this paper, we present a perceptive humanoid parkour framework that enables stable traversal across terrains with limited foothold availability using only onboard depth observations. The framework features a saliency-guided temporal perception module that combines a saliency prior with gated memory. It retains informative depth features across frames, enabling reliable foot placement from partial observations. By introducing an alternation loss, our symmetry regularization encourages alternating gait patterns and improves traversal robustness. Extensive experiments show that our method significantly improves success rate and foothold accuracy on challenging terrains in both simulation and the real world.
• Abstract（参考訳）: 近年の知覚的移動の進歩は、人型ロボットが構造された地形を横切ることを可能にする一方で、非常に不連続な環境でのアジャイルなパーキングはオープンな課題である。 特に、狭い足場と狭い支持領域を横断するには、正確な足場選択、視覚的観察の効果的な利用、高速移行時の一貫した足場配置が必要である。 本稿では,足場に限られる地形を横断する安定な移動を可能にするパーセプティブなヒューマノイド・パークア・フレームワークを提案する。 このフレームワークは、サリエンシ前とゲートメモリを組み合わせたサリエンシ誘導時間知覚モジュールを備えている。 フレーム全体の情報的な深度特性を保持しており、部分的な観測から信頼性の高い足の配置を可能にしている。 交互損失を導入することで、対称正則化は歩行パターンの交互化を促進し、トラバースロバスト性を改善する。 大規模な実験により,本手法は,シミュレーションと実環境の両方において,挑戦的な地形における成功率と足場精度を著しく向上することが示された。

関連論文リスト

• Learning Locomotion on Complex Terrain for Quadrupedal Robots with Foot Position Maps and Stability Rewards [3.0994685543838654]
  本研究では,高度マップに統合された足位マップと,複雑な地形上での移動を実現するために,注意に基づくフレームワーク内での動的移動安定報酬を導入する。 提案手法は高精度かつ安定な移動を可能にし,ドメイン内およびOOD地形上での移動の成功率の向上を図っている。
  論文  参考訳（メタデータ） (2026-04-03T05:37:26Z)
• Hiking in the Wild: A Scalable Perceptive Parkour Framework for Humanoids [30.976354277907664]
  textitHiking in the Wildは、堅牢なヒューマノイドハイキング用に設計された、スケーラブルでエンドツーエンドのパーサー知覚フレームワークだ。 提案手法では, 外部状態推定に頼ることなく, 単段階強化学習手法, 生深度入力, プロプレセプションを直接協調動作にマッピングする。
  論文  参考訳（メタデータ） (2026-01-12T16:50:50Z)
• START: Traversing Sparse Footholds with Terrain Reconstruction [11.632418196552324]
  我々は,高度にスパースな足場でアジャイルで安定した移動を可能にする,単段階学習フレームワークSTARTを提案する。 STARTは、ローコストのオンボードビジョンとプロプレセプションのみを活用して、局所的な地形の高度マップを正確に再構築する。 実験結果から,STARTは実世界の様々なシナリオにまたがるゼロショット転送を実現することが示された。
  論文  参考訳（メタデータ） (2025-12-15T10:02:41Z)
• 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)
• VAE-Loco: Versatile Quadruped Locomotion by Learning a Disentangled Gait Representation [78.92147339883137]
  本研究では,特定の歩行を構成する主要姿勢位相を捕捉する潜在空間を学習することにより,制御器のロバスト性を高めることが重要であることを示す。 本研究では,ドライブ信号マップの特定の特性が,歩幅,歩幅,立位などの歩行パラメータに直接関係していることを示す。 生成モデルを使用することで、障害の検出と緩和が容易になり、汎用的で堅牢な計画フレームワークを提供する。
  論文  参考訳（メタデータ） (2022-05-02T19:49:53Z)
• Next Steps: Learning a Disentangled Gait Representation for Versatile Quadruped Locomotion [69.87112582900363]
  現在のプランナーは、ロボットが動いている間、キー歩行パラメータを連続的に変更することはできない。 本研究では、特定の歩行を構成する重要な姿勢位相を捉える潜在空間を学習することにより、この制限に対処する。 本研究では, 歩幅, 歩幅, 立位など, 歩行パラメータに直接対応した駆動信号マップの具体的特性を示す。
  論文  参考訳（メタデータ） (2021-12-09T10:02:02Z)
• Learning to Jump from Pixels [23.17535989519855]
  我々は、高度にアジャイルな視覚的誘導行動の合成法であるDepth-based Impulse Control (DIC)を提案する。 DICは、モデルフリー学習の柔軟性を提供するが、地面反応力の明示的なモデルベース最適化により、振る舞いを規則化する。 提案手法をシミュレーションと実世界の両方で評価する。
  論文  参考訳（メタデータ） (2021-10-28T17:53:06Z)
• Learning Perceptual Locomotion on Uneven Terrains using Sparse Visual Observations [75.60524561611008]
  この研究は、人中心の環境において、よく見られるバンプ、ランプ、階段の広い範囲にわたる知覚的移動を達成するために、スパースな視覚的観察の使用を活用することを目的としている。 まず、関心の均一な面を表すことのできる最小限の視覚入力を定式化し、このような外受容的・固有受容的データを統合した学習フレームワークを提案する。 本研究では, 平地を全方向歩行し, 障害物のある地形を前方移動させるタスクにおいて, 学習方針を検証し, 高い成功率を示す。
  論文  参考訳（メタデータ） (2021-09-28T20:25:10Z)

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。