論文の概要: Reflex: Visually Grounded Reactive Humanoid Control

• arxiv url: http://arxiv.org/abs/2610.12772v1
• Date: Thu, 08 Oct 2026 22:24:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.301551
• Title: Reflex: Visually Grounded Reactive Humanoid Control
• Title（参考訳）: 反射:視覚的に接地されたリアクティブヒューマノイド制御
• Abstract要約: 人間は熱心に世界に対して反応し、テニスショットの返却、転倒カップのキャッチ、通過するカートの脇のステップ、トラックの降ろし中に投げられた箱を渡す。 このような視覚的反応的な全身制御は、身体全体の制御を調整し、リアルタイムで物体のダイナミクスに反応し、自我中心の視覚における地面の知覚を調整しなければならないヒューマノイドにとって依然として困難である。 Reflexは、オブジェクトダイナミクスのコンパクトな表現を通してそれらを接続しながら、ステージごとにこれらの機能を学習する3段階のフレームワークである。
• 参考スコア（独自算出の注目度）: 35.71871165109645
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Humans effortlessly react to the world; they adeptly return a tennis shot, catch a falling cup, step aside from a passing cart, or pass a box tossed during truck unloading. These everyday actions require anticipating a moving target and reflexively responding with the whole body within about a second. Such visual reactive whole-body control remains challenging for humanoids, which must (1) coordinate whole-body control, (2) react to object dynamics in real time, and (3) ground perception in egocentric vision. We study catching thrown boxes as a representative task that demands all three capabilities; existing systems cover only part of it, relying on end-effectors, motion capture, or marked objects. We present Reflex, a three-stage framework that learns these capabilities stage by stage while connecting them through a compact representation of object dynamics. First, a state-based policy learns whole-body catching with reinforcement learning. Second, the policy learns to infer the dynamics of a moving box from delayed and incomplete observations. Third, an egocentric RGB-D encoder learns to recover this dynamics representation directly from visual observations while keeping the whole-body controller fixed. This decomposition provides each capability with a direct training signal and makes visual learning substantially more scalable. In simulation, Reflex achieves 85.7% catch success from egocentric RGB-D, compared with 87.9% when given privileged box observations. Temporal visual history is critical: removing it reduces success by 35.6 and 39.8 points on centered and laterally offset throws. On a real Unitree G1, Reflex catches human-thrown boxes with 65% and 40% success at 2.5 and 5 m, reaching 76% and 59% of human catchers' success at the same distances.
• Abstract（参考訳）: 人間は熱心に世界に対して反応し、テニスショットの返却、転倒カップのキャッチ、通過するカートの脇のステップ、トラックの降ろし中に投げられた箱を渡す。 これらの日常的な行動は、動く標的を予測し、体全体に約1秒以内に反射的に反応する必要がある。 このような視覚的反応的な全身制御は、(1)全身制御の協調、(2)リアルタイムの物体動態への反応、(3)自我中心の視覚における地上認識など、ヒューマノイドにとって依然として困難である。 既存のシステムは、エンドエフェクタ、モーションキャプチャ、マークされたオブジェクトに依存して、その一部のみをカバーする。 Reflexは、オブジェクトダイナミクスのコンパクトな表現を通してそれらを接続しながら、ステージごとにこれらの機能を学習する3段階のフレームワークである。 第一に、国家ベースの政策は、強化学習で全身を捕まえることを学ぶ。 第二に、このポリシーは、移動箱の力学を遅延と不完全な観測から推測することを学ぶ。 第三に、エゴセントリックなRGB-Dエンコーダは、全身のコントローラを固定しながら、このダイナミックス表現を視覚観察から直接回復することを学ぶ。 この分解により、各能力に直接的なトレーニング信号が与えられ、視覚学習が大幅にスケーラブルになる。 シミュレーションでは、ReflexはエゴセントリックなRGB-Dで85.7%が成功し、特権付きボックスの観測では87.9%が成功している。 時間的な視覚の歴史は重要であり、中央の投球と左右の投球で35.6点と39.8点の成功を減少させる。 本物のUnitree G1では、Reflexは65%、2.5mと5mで40%成功し、同じ距離で人間の捕食者の成功の76%と59%に達する。

関連論文リスト

• EyeRobot 2.0: Active Gaze for Precise Manipulation without Wrist Cameras [74.35470013990918]
  EyeRobot 2.0は、現場の3D固定点に物理的に近づき、2つの視点で視線を照らす。 我々はEyeRobot 2.0と受動ステレオとego+手首カメラのポリシーを比較した。
  論文  参考訳（メタデータ） (2026-10-02T17:57:51Z)
• Beyond the Current Scene: Event-Referential Grasping with Active View Selection [58.13862796903706]
  ゼロショットロボット把握システムであるBeyondSCeを紹介する。 システムは、要求されたオブジェクトまたは部分を特定し、それを把握するためにローカライズする。 達成率76%、達成目標77%を達成している。
  論文  参考訳（メタデータ） (2026-09-30T09:27:02Z)
• AquaOrbit: Sim-to-Real Reinforcement Learning for Underwater Target Orbiting under Intermittent Visual Feedback [51.92060148406936]
  間欠的な視覚的損失は、水中周回中の目標相対的なフィードバックを妨害する。 AquaOrbitは、水中の目標軌道を周回するリカバリモジュールを備えた強化学習用コントローラである。
  論文  参考訳（メタデータ） (2026-09-21T03:29:45Z)
• Learning In-Hand Object Reaching to General 6D Poses [20.489992320820324]
  手で操作することで、複数の指のデキスタラスハンドが、それをリリースしたり、再生したりすることなく、把握したオブジェクトを再構成することができる。 既存のグリップから、調整された指の動きから、物体をヤシ相対的なターゲットポーズに移動させる。 本稿では,この課題に対する実力強化学習フレームワークであるPOISEを提案する。
  論文  参考訳（メタデータ） (2026-09-12T07:11:37Z)
• 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 to Throw-Flip [11.364182432162863]
  本稿では,ロボットが所望の着地ポーズに対して,オブジェクトを正確に「スローフリップ」することができる方法を提案する。 我々は寄生虫の回転を効果的に分離する投球運動の族を設計する。 私たちのフレームワークは、数十の試行において、ポーズターゲットにオブジェクトを投げる(pm$5 cm, $pm$45 °)ことができる。
  論文  参考訳（メタデータ） (2025-10-11T22:18:09Z)
• PhysHMR: Learning Humanoid Control Policies from Vision for Physically Plausible Human Motion Reconstruction [52.44375492811009]
  物理学に基づくシミュレーターにおいて,ヒューマノイド制御のための視覚行動ポリシーを学習する統合フレームワークであるPhysHMRを提案する。 我々のアプローチの重要な要素はピクセル・アズ・レイ戦略であり、2次元のキーポイントを3次元空間に上げ、それらを大域空間に変換する。 PhysHMRは多種多様なシナリオにまたがって高忠実で物理的に妥当な動きを生じさせ、視覚的精度と身体的リアリズムの両方において以前のアプローチより優れている。
  論文  参考訳（メタデータ） (2025-10-02T21:01:11Z)

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。