論文の概要: Experience-Driven Continual Learning of Terrain Traversability for Quadruped Robots

• arxiv url: http://arxiv.org/abs/2609.39755v1
• Date: Wed, 30 Sep 2026 13:52:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.857659
• Title: Experience-Driven Continual Learning of Terrain Traversability for Quadruped Robots
• Title（参考訳）: 四足歩行ロボットにおける地形トラバータビリティの体験駆動型連続学習
• Abstract要約: 本稿では,ロコモーション体験を用いて,事前接触画像から対話結果の学習を行う連続学習パイプラインを提案する。 ROS2の実装は、シミュレーションとハードウェアにおけるUnitree Go2の評価をサポートし、各ドメインで個別にトレーニングされている。
• 参考スコア（独自算出の注目度）: 3.728185330463772
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Safe and efficient quadruped navigation over unfamiliar terrain requires predicting terrain-robot interaction before contact: geometry and visual appearance alone cannot reveal how the robot will slip, load its feet, or expend energy. This paper presents a continual learning pipeline that uses locomotion experience to learn these interaction outcomes from pre-contact images and continually updates the predictions as new contacts are observed. Pre-contact descriptors, produced by a DINOv3 backbone model frozen during training, are mapped to five proprioceptive indicators weighted according to measurement reliability: planar foot slip, mean normal ground-reaction force, traction index, cost of transport, and touchdown loading rate. A compact evidential regressor allows us to predict these indicators together with aleatoric and epistemic uncertainty from the visual descriptors. Continual adaptation combines bounded experience replay with a validation gate: candidate models replace the deployed predictor only when they improve performance on recent held-out data while keeping degradation on historical held-out data within a prescribed tolerance. Predictions and epistemic uncertainty are projected into a local multilayer map and combined into a conservative traversability score map whose property weights can be adjusted without retraining. The resulting map is used for downstream navigation tests. The ROS2 implementation supports evaluation on a Unitree Go2 in simulation and on hardware, with models trained separately in each domain. On a sequential hardware stream over three previously unseen terrains, gated replay reduces final anchor negative log-likelihood (NLL) degradation by 23.1% relative to replay without the gate while attaining similar new-terrain adaptation.
• Abstract（参考訳）: 地形と視覚的な外観だけでは、ロボットが滑ったり、足をロードしたり、エネルギーを消費したりする様子は明らかにできません。 本稿では,ロコモーション体験を用いて,事前接触画像からこれらの相互作用の結果を学習し,新たな接触が観測されるにつれて予測を継続的に更新する連続学習パイプラインを提案する。 トレーニング中に凍結したDINOv3バックボーンモデルにより生成されたプレコンタクトディスクリプタを, 平面足すべり, 平均接地力, トラクション指数, 輸送コスト, タッチダウン負荷率の5つの指標にマッピングした。 コンパクトな明示的回帰器は,これらの指標を視覚ディスクリプタからのアラート的およびてんかん的不確実性と共に予測することができる。 候補モデルは、所定の許容範囲内で過去の保留データの劣化を維持しながら、最近の保留データの性能を改善した場合にのみ、デプロイされた予測器を置き換える。 局所的な多層地図に予測とてんかんの不確かさを投影し、再トレーニングせずに特性重みを調整できる保守的トラバーサビリティスコアマップに組み合わせる。 結果のマップは下流のナビゲーションテストに使用される。 ROS2の実装は、シミュレーションとハードウェアにおけるUnitree Go2の評価をサポートし、各ドメインで個別にトレーニングされている。 3つの未確認地形上の連続的なハードウェアストリームでは、ゲートのないリプレイと比較してゲートリプレイが最終アンカー陰性(NLL)の劣化を23.1%減少させ、同様に新しいテランの適応を達成する。

関連論文リスト

• MC-DeTra: Motion-Consistent Joint Object Detection and Socially-Aware Trajectory Forecasting in Bird's-Eye-View Images [0.2864713389096699]
  我々は、補助信号による監視を付加する動き一貫性機構のファミリーであるMC-DeTraをリリースする。 MC-DeTraは、動的で社会的に割り振られた軌道予測を改善し、検出精度を向上する。 私たちはhttps://github.com/diuzhevVlad/MC-DeTra.comでコード、設定、評価ツールをリリースします。
  論文  参考訳（メタデータ） (2026-09-10T15:34:09Z)
• Shift & Drift: A Zero-Shot Benchmark for Generalizable and Robust Autonomous Driving Motion Planning [60.888463449435484]
  シフト・アンド・ドリフト(Shift & Drift)は、分散シフトの2つの重要な軸にまたがる、厳密なストレス-テスト運動プランナーのための新しいデュアルトラックベンチマークである。 擬似学習手法は,IDベンチマークにおいて高いスコアを得るが,時間的に相関したアクティベーションノイズを受けると持続的なドリフトに悩まされることを示す。 本研究は, 模擬忠実度と閉ループレジリエンスのトレードオフを実証的に明らかにし, 信頼性の高い展開に向けた進捗を評価するための厳密なベンチマークをコミュニティに提供する。
  論文  参考訳（メタデータ） (2026-07-08T18:23:48Z)
• Adversarial Vulnerability Under Temporal Concept Drift: A Longitudinal Study of Android Malware Detection [10.05900892533264]
  われわれは,10年以上にわたるAndroidアプリケーションにおいて,長手なドリフト認識による敵の堅牢性の評価を行った。 クリーンパフォーマンスの計測、ASR(Adversarial Accuracy)、ASR(Attack Success Rate)、時間リンクメトリクスの導入などを行う。 その結果, 時間的分離は, 評価された移動型特徴空間設定下での対向ロバスト性低下と関連していることがわかった。
  論文  参考訳（メタデータ） (2026-05-22T13:29:45Z)
• MASAR: Motion-Appearance Synergy Refinement for Joint Detection and Trajectory Forecasting [2.681087131751672]
  MASARは、変換器ベースの任意の3D検出器と互換性のある3D検出軌道予測のための新しいフレームワークである。 MASARは過去の軌跡を予測し、外観的手がかりからガイダンスを用いて精錬することにより、将来の軌跡予測を強化する長期的な時間的依存関係をキャプチャする。
  論文  参考訳（メタデータ） (2026-02-13T15:11:50Z)
• Cross-Modal Reconstruction Pretraining for Ramp Flow Prediction at Highway Interchanges [30.274689865122056]
  STDAEは、クロスモーダルな再構築事前トレーニングを利用する2段階のフレームワークである。 STDAE-GWNETは13の最先端ベースラインを一貫して上回っている。 このことは、検出器の不足を克服する効果と、様々な予測パイプラインに対するプラグアンドプレイの可能性を示す。
  論文  参考訳（メタデータ） (2025-10-03T15:26:56Z)
• Unified Human Localization and Trajectory Prediction with Monocular Vision [64.19384064365431]
  MonoTransmotionはトランスフォーマーベースのフレームワークで、モノクロカメラのみを使用して、ローカライゼーションと予測タスクを共同で解決する。 両タスクを統合フレームワークで共同でトレーニングすることにより,ノイズの多い入力による実環境シナリオにおいて,我々の手法がより堅牢であることを示す。
  論文  参考訳（メタデータ） (2025-03-05T14:18:39Z)
• Bench2Drive-R: Turning Real World Data into Reactive Closed-Loop Autonomous Driving Benchmark by Generative Model [63.336123527432136]
  我々は,リアクティブ閉ループ評価を可能にする生成フレームワークであるBench2Drive-Rを紹介する。 既存の自動運転用ビデオ生成モデルとは異なり、提案された設計はインタラクティブなシミュレーションに適したものである。 我々は、Bench2Drive-Rの生成品質を既存の生成モデルと比較し、最先端の性能を達成する。
  論文  参考訳（メタデータ） (2024-12-11T06:35:18Z)
• Uncertainty-Aware Adaptation for Self-Supervised 3D Human Pose Estimation [70.32536356351706]
  本稿では、2つの出力ヘッドを2つの異なる構成にサブスクライブする共通のディープネットワークバックボーンを構成するMPP-Netを紹介する。 ポーズと関節のレベルで予測の不確実性を定量化するための適切な尺度を導出する。 本稿では,提案手法の総合評価を行い,ベンチマークデータセット上での最先端性能を示す。
  論文  参考訳（メタデータ） (2022-03-29T07:14:58Z)
• SGCN:Sparse Graph Convolution Network for Pedestrian Trajectory Prediction [64.16212996247943]
  歩行者軌道予測のためのスパースグラフ畳み込みネットワーク(SGCN)を提案する。 具体的には、SGCNはスパース指向の相互作用をスパース指向の空間グラフと明確にモデル化し、適応的な相互作用歩行者を捉える。 可視化は,歩行者の適応的相互作用とその運動特性を捉えることができることを示す。
  論文  参考訳（メタデータ） (2021-04-04T03:17:42Z)
• Safety-Oriented Pedestrian Motion and Scene Occupancy Forecasting [91.69900691029908]
  我々は、個々の動きとシーン占有マップの両方を予測することを提唱する。 歩行者の相対的な空間情報を保存するScene-Actor Graph Neural Network (SA-GNN)を提案する。 2つの大規模な実世界のデータセットで、我々のシーン占有率予測が最先端のモーション予測手法よりも正確でより校正されていることを示した。
  論文  参考訳（メタデータ） (2021-01-07T06:08:21Z)
• Motion Prediction using Trajectory Sets and Self-Driving Domain Knowledge [3.0938904602244355]
  我々は,オフロード予測をペナルティ化する補助的損失を加えることによって,動作予測に対する分類に基づくアプローチを構築した。 この補助損失は、地図情報のみを使用して容易に事前訓練でき、小さなデータセットの性能を大幅に向上させる。 最後のコントリビューションは、2つの公用自動運転データセットの分類と順序回帰の詳細な比較である。
  論文  参考訳（メタデータ） (2020-06-08T17:37:15Z)

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。