論文の概要: Higher-Order Morphology Priors for Quadruped Reinforcement Learning Under Actuator Degradation

• arxiv url: http://arxiv.org/abs/2610.10934v1
• Date: Wed, 07 Oct 2026 21:42:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.681375
• Title: Higher-Order Morphology Priors for Quadruped Reinforcement Learning Under Actuator Degradation
• Title（参考訳）: アクチュエータ劣化下での4段強化学習における高次形態素前処理
• Abstract要約: ノードエッジ面ホッジアクターは、目に見えないアクチュエータ劣化に対して最も高いリターンを達成することを示す。 これらの結果は、アクチュエータ劣化時の全身補償に有用な誘導バイアスとして、高次形態学を支持する。
• 参考スコア（独自算出の注目度）: 1.2891189282516038
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Actuator degradation turns quadruped locomotion into a coordination problem requiring joints to compensate for lost actuation. Prior work suggests that morphology-aware graph policies improve learning and generalization under body perturbations. We ask whether these benefits can be strengthened by explicitly modeling higher-order mechanical structure. We represent the Unitree Go1 as a cell complex with limb- and body-level rank-2 cells and apply Hodge-based message passing. Under degradation training, the node-edge-face Hodge actor achieves the highest return on unseen actuator degradations, with higher survival and lower velocity-tracking error. These results support higher-order morphology as a useful inductive bias for whole-body compensation under actuator degradation.
• Abstract（参考訳）: アクチュエータの劣化は、四足歩行を、失われたアクチュエータを補うために関節を必要とする調整問題に変える。 以前の研究は、形態学を意識したグラフポリシーが、身体摂動下での学習と一般化を改善することを示唆している。 これらの利点が高次機械構造を明示的にモデル化することで強化できるかどうかを問う。 We represent the Unitree Go1 as a cell complex with limb- and body-level rank-2 cells and applied Hodge-based message passing。 劣化訓練では、ノードエッジ面ホッジアクターは、生存率が高く、速度追尾誤差が低い、目に見えないアクチュエータ劣化に対して最も高いリターンを達成する。 これらの結果は、アクチュエータ劣化時の全身補償に有用な誘導バイアスとして、高次形態学を支持する。

関連論文リスト

• Why Post-Norm Transformers Collapse: Attention Amplification and Gradient Repair Failure [8.63727823701713]
  ディープデコーダのみのトランスフォーマーは、オリジナルのPost-NormアーキテクチャをPre-Normで置き換えることが多い。 本研究では、因果的注意が高相似性表現をいかに生み出すか、また、なぜトレーニングダイナミクスがそれらを修復できないのかを示す。
  論文  参考訳（メタデータ） (2026-08-10T10:45:16Z)
• Learning Fault-Tolerant Locomotion with Adaptive Gait Timing [1.1156827035309405]
  ハードウェアの故障は、安定と移動性を維持するために調整と歩行のタイミングを再編成するために、脚のあるロボットを必要とする。 本研究では, アクチュエータ電力損失下での耐故障性ローコモーションに対する深部強化学習手法を提案する。 このアプローチは、68kg四足歩行ロボットを用いて、不均一な地形上の高忠実度シミュレーションと、平地における実世界実験で検証されている。
  論文  参考訳（メタデータ） (2026-08-07T15:27:03Z)
• Beyond the Aggregation Dilemma: Prior-Retaining Decoupled Learning for Multimodal Graphs [69.56407708794845]
  MultimodalAttributed Graph Learning (MAGL)はグラフアグリゲーションを通じてノード属性と構造トポロジーを統合する。 事前訓練されたエンコーダがLarge Foundation Models (LFM) へと進化するにつれて、MAGLのランドスケープは根本的に変化していく。 高信頼のLFM先行の下では、強制集約は、識別シグナルを圧倒するトポロジカル固有のノイズを導入する。 本稿では、分離されたデュアルパスパラダイムであるSUPRA(Shared-Unique Prior-Retaining Architecture)を提案する。 SUPRAは、トポロジ・アグノシクスによるモーダリティ特異的な特徴を処理し、軽量共有GNNを介して構造相乗効果を捉え、補助的な深層監視対策の勾配飢餓を発生させる。
  論文  参考訳（メタデータ） (2026-05-23T17:42:25Z)
• NeuralGrok: Accelerate Grokking by Neural Gradient Transformation [54.65707216563953]
  算術的タスクにおける変換器の一般化を高速化する最適勾配変換を学習する勾配に基づく手法であるNeuralGrokを提案する。 実験により,NeuralGrokは一般化を著しく加速することが示された。 また、NeuralGrokはより安定したトレーニングパラダイムを促進し、モデルの複雑さを常に低減します。
  論文  参考訳（メタデータ） (2025-04-24T04:41:35Z)
• HG-Adapter: Improving Pre-Trained Heterogeneous Graph Neural Networks with Dual Adapters [53.97380482341493]
  事前学習, 即時学習」は, 事前学習したヘテロジニアスグラフニューラルネットワーク(HGNN)のチューニング性能を示す。 本稿では、2つの新しいアダプタと潜在的ラベル付きデータ拡張を組み合わせた統合フレームワークを提案し、事前学習されたHGNNモデルの一般化を改善する。
  論文  参考訳（メタデータ） (2024-11-02T06:43:54Z)
• LayerCollapse: Adaptive compression of neural networks [13.567747247563108]
  トランスフォーマーネットワークは、自然言語処理やコンピュータビジョンにおいて、先行技術より優れている。 モデルは数億のパラメータを含み、重要な計算資源を必要とする。 完全に連結された層の深さを減少させる新しい構造化プルーニング法であるLayerCollapseを提案する。
  論文  参考訳（メタデータ） (2023-11-29T01:23:41Z)
• Model based Multi-agent Reinforcement Learning with Tensor Decompositions [52.575433758866936]
  本稿では、CPランクの低いテンソルとして遷移関数と報酬関数をモデル化することにより、未探索の状態-作用対上の状態-作用空間の一般化を考察する。 合成MDPの実験により、モデルに基づく強化学習アルゴリズムでテンソル分解を用いることで、真の遷移関数と報酬関数が実際に低ランクである場合、はるかに高速な収束が得られることが示された。
  論文  参考訳（メタデータ） (2021-10-27T15:36:25Z)
• Hierarchically Decoupled Imitation for Morphological Transfer [95.19299356298876]
  形態学的に単純なエージェントから学習情報を転送することで、より複雑なエージェントのサンプル効率を大幅に向上させることができることを示す。 まず、より単純なエージェントの低レベルを模倣するために複雑なエージェントの低レベルをインセンティブ化すると、ゼロショット高レベル転送が大幅に改善されることを示す。 第2に,高レベルのKL正規化学習が学習を安定させ,モデム崩壊を防ぐことを示す。
  論文  参考訳（メタデータ） (2020-03-03T18:56:49Z)

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。