論文の概要: Humanoid Horizon: Extending Task Horizon in Whole-Body Loco-Manipulation via Parallel Training, Dynamic Starting, and Reward Gating

• arxiv url: http://arxiv.org/abs/2610.08320v1
• Date: Tue, 06 Oct 2026 13:22:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.005315
• Title: Humanoid Horizon: Extending Task Horizon in Whole-Body Loco-Manipulation via Parallel Training, Dynamic Starting, and Reward Gating
• Title（参考訳）: ヒューマノイドホライゾン:パラレルトレーニング,ダイナミックスタート,リワードゲーティングによる全体ロコマニピュレーションにおけるタスクホライゾンの拡張
• Abstract要約: 本稿では,3つの相互関連メカニズムを通じて制限を克服する統合ポリシーフレームワークであるHumanoid Horizonを紹介する。 Parallel Training Strategyは、共有ポリシによって管理される並列ステージストリームに$N$のシーンを編成する。 Dynamic Start Mechanismは、各環境の初期状態をアップストリームロールアウトから端末状態で更新する。 Reward Gatingは、直前のオブジェクトが置き換えられたとき、後段のストリームで残りのエピソードの報酬をゼロに設定する。
• 参考スコア（独自算出の注目度）: 22.742627848343243
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cluttered indoor environments, where large and heavy objects are scattered across diverse surfaces, require humanoid robots to sequentially navigate, grasp, transport, and accurately place each item at its target location within a single uninterrupted episode. This long-horizon, whole-body loco-manipulation task remains a significant challenge for current methods. Previous approaches often suffer from two main issues: easy-reward bias, where training overemphasizes early transport stages at the expense of later ones, and catastrophic forgetting, where focusing on later stages leads to a decline in earlier-stage performance. In this work, we introduce Humanoid Horizon, a unified policy framework designed to overcome these limitations through three interrelated mechanisms. The Parallel Training Strategy organizes $N$ scenes into $S$ concurrent stage streams governed by a shared policy, ensuring all transport stages receive continuous gradient updates and removing the bottleneck of sequential optimization. The Dynamic Starting Mechanism updates each environment's initial state with terminal states from upstream rollouts, gradually broadening transition coverage and enhancing robustness at stage boundaries. Reward Gating sets the reward to zero for the rest of the episode in later-stage streams when the immediately preceding object is displaced beyond a set threshold, so the shared policy learns not to disturb a just-placed object and earlier placements are preserved throughout the episode. Collectively, these strategies achieve per-stage success rates exceeding 80\% on the two-object LHM-Humanoid benchmark (350 training scenes, 66 held-out scenes). As the number of sequentially transported objects grows beyond two, success declines with the horizon, but the degradation is graceful relative to the sharp drop seen in all baselines.
• Abstract（参考訳）: 大きな物や重い物がさまざまな表面に散在する、散在した屋内環境では、人間型ロボットは、各アイテムを1つの未中断のエピソードの中で目的地に順次移動し、把握し、輸送し、正確に配置する必要がある。 この長い水平な全体のロコ操作タスクは、現在の手法にとって重要な課題である。 トレーニングが後の段階を犠牲にして早期輸送段階を過度に強調する易逆バイアス(英語版)と、後期段階に注力する破滅的な忘れ込み(英語版)(英語版)という2つの主要な問題に悩まされる。 本稿では,これらの制約を3つの相互関連メカニズムを通じて克服する統合政策フレームワークであるHumanoid Horizonを紹介する。 並列トレーニング戦略は、共有ポリシによって管理される並列ステージストリームに$N$のシーンを編成し、すべてのトランスポートステージが継続的な勾配更新を受け、シーケンシャルな最適化のボトルネックを取り除く。 Dynamic Start Mechanismは、各環境の初期状態をアップストリームロールアウトから端末状態に更新し、徐々に遷移カバレッジを拡大し、ステージバウンダリでの堅牢性を高める。 Reward Gatingは、直前のオブジェクトが設定しきい値を超えているときに、後段のストリームでエピソードの残りの部分をゼロに設定するので、共有ポリシーは、単に配置されたオブジェクトを邪魔しないように学習し、それ以前の配置をエピソード全体を通して保存する。 総合的に、これらの戦略は2オブジェクトのLHM-Humanoidベンチマーク(350のトレーニングシーン、66の保留シーン)において、ステージ当たりの成功率を80%以上達成している。 連続的に輸送される物体の数が2つを超えて増加するにつれて、地平線とともに成功率は低下するが、全ての基準線で見られる鋭い落下に対して、分解は優雅である。

関連論文リスト

• Attacca: Goal-Directed Control under State Continuity for Long-Horizon Embodied Agents [23.199458616947265]
  Attaccaは、完全な検索から対話的な軌道上で、視覚的な目標条件のポリシーを訓練する。 Minecraftにおける複数の短・長軸エンボディタスクにおけるAttaccaの評価を行った。
  論文  参考訳（メタデータ） (2026-10-06T05:29:18Z)
• Receding-Horizon Pushing with Composable Object-Centric Policies [16.247056453373407]
  フィードバック誘導型階層型フレームワークにおいて,オブジェクト中心のプッシュポリシを提案する。 低いレベルでは、学習ベースのポリシーは、ポーズとスケール正規化ポイントクラウドからコンタクトアクションを予測する。 高いレベルでは、BIT$*$が最初に対象経路を探索し、次にいくつかのサブゴールが接触予測とロボットの動き計画によってチェックされる。
  論文  参考訳（メタデータ） (2026-09-20T08:15:57Z)
• PAVE: Predictive Alignment and Value-Guided Evolution for World-Action Policies [17.87859739145508]
  直接視覚-言語-アクションポリシーは、継続的なロボット動作を効率的に生成するが、標準的な行動クローンは2つの相補的なギャップを残している。 結果に依存しない予測学習と結果認識型政策改善を組み合わせた,直接的な世界行動政策である方法を紹介する。
  論文  参考訳（メタデータ） (2026-08-31T07:36:11Z)
• Referring-Aware Visuomotor Policy Learning for Closed-Loop Manipulation [91.20850436220267]
  Referring-Aware Visuomotor Policy(ReV)について紹介する。 ReVは、人間または高レベルの推論プランナーによって提供されるスパース参照ポイントを組み込む。 これは、専門家のデモンストレーションにターゲットの摂動を適用することでのみ訓練される。
  論文  参考訳（メタデータ） (2026-04-07T07:41:11Z)
• ProgressVLA: Progress-Guided Diffusion Policy for Vision-Language Robotic Manipulation [57.07494675832939]
  ロボット操作のための既存の視覚言語アクション(VLA)モデルは、進歩意識を欠いている。 本研究では,textbf vla という新しいモデルを提案し,タスク進捗の推定と統合について検討する。 CALVINとLIBEROベンチマークの実験は、実世界のロボットの展開とともに、成功率の大幅な改善を一貫して示している。
  論文  参考訳（メタデータ） (2026-03-29T12:38:11Z)
• HAIC: Humanoid Agile Object Interaction Control via Dynamics-Aware World Model [56.4392302336014]
  本稿では,外部状態推定を伴わない多種多様なオブジェクトダイナミクス間のロバストな相互作用のためのフレームワークであるHAICを提案する。 我々の重要な貢献は、主観的歴史のみから高次対象状態(速度、加速度)を推定するダイナミクス予測器である。 ヒューマノイドロボットの実験では、HAICはアジャイルタスクで高い成功率を達成する。
  論文  参考訳（メタデータ） (2026-02-12T09:34:35Z)
• Single-Shot Learning of Stable Dynamical Systems for Long-Horizon Manipulation Tasks [48.54757719504994]
  本稿では,必要なトレーニングデータ量を削減しつつ,タスク成功率の向上に焦点をあてる。 提案手法では,長距離実証をウェイポイントとサブゴールで定義された離散ステップに分割する手法を提案する。 シミュレーションと実世界の両方の実験を通して,本手法を検証し,シミュレーションから物理ロボットプラットフォームへの効果的移行を実証した。
  論文  参考訳（メタデータ） (2024-10-01T19:49:56Z)
• MS-TCN++: Multi-Stage Temporal Convolutional Network for Action Segmentation [87.16030562892537]
  本稿では,時間的行動分割タスクのための多段階アーキテクチャを提案する。 第1段階は、次の段階によって洗練される初期予測を生成する。 我々のモデルは3つのデータセットで最先端の結果を得る。
  論文  参考訳（メタデータ） (2020-06-16T14:50:47Z)

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。