論文の概要: Push the Limit: Learning High-Speed Sprinting and Aggressive Cornering on a Full-Scale Humanoid

• arxiv url: http://arxiv.org/abs/2610.14840v1
• Date: Sat, 10 Oct 2026 11:55:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 11:34:53.476632
• Title: Push the Limit: Learning High-Speed Sprinting and Aggressive Cornering on a Full-Scale Humanoid
• Title（参考訳）: 限界を押し上げる: フルスケールのヒューマノイド上で高速スプリントと攻撃的コーナーリングを学ぶ
• Abstract要約: 本研究では,フルスケールの2足歩行ヒューマノイドを7m/s以上の速さで走らせることができる学習ベースフレームワークを提案する。 我々のフレームワークは、原速度と基準運動の忠実さのギャップを埋め、安定した高速スプリントとアグレッシブコーナーを実証する。
• 参考スコア（独自算出の注目度）: 9.713523220424143
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a learning-based framework that enables a full-scale bipedal humanoid to sprint at over 7 m/s with motion-prior-guided gait and perform aggressive cornering at high speed with a pronounced trunk lean of up to $25^\circ$. Achieving this combination is challenging: above approximately 4 m/s, periodic foot impacts induce severe, high-frequency yaw-rate oscillations intrinsic to high-speed gaits. This high-frequency temporal structure corrupts the history of proprioceptive feedback that flat-MLP policies rely on, while rendering conventional yaw-rate tracking rewards counterproductive, as they fight against the robot's natural oscillatory dynamics. Moreover, a single style prior shared across skills cannot tell which skill is commanded and inherently compromises the low-speed skill fidelity. To overcome these limitations, we adopt a causal multi-head attention (MHA) module to explicitly model the high-frequency temporal feedback. In place of the oscillatory yaw rate, we design a heading-direction reward that supervises only the low-frequency velocity direction, allowing agile turning at high speed without suppressing natural gait oscillations. We further introduce skill-conditioned multi-adversarial-motion-prior (MAMP) discriminators that condition the style reward on the commanded skill. Ablation experiments confirm that each mechanism is essential: replacing structured temporal encoding with a flat-history MLP caps the top speed; reverting to yaw-rate tracking prevents high-speed turning; and a single shared discriminator makes in-place turning collapse into a quasi-static stance. Our framework bridges the gap between raw sprinting speed and reference-motion fidelity, demonstrating stable high-speed sprinting and aggressive cornering in both simulation and real-robot deployment.
• Abstract（参考訳）: 本研究では,フルスケールの2足歩行ヒューマノイドを7m/s以上の速さで走らせ,最大25^\circ$のトランク傾きで高速でアグレッシブコーナーを行うための学習ベースフレームワークを提案する。 この組み合わせは、約4m/s以上の周期的な足の衝撃によって、本質的に高速な歩行に固有の、高度で高周波のヨーレートの振動を誘発する。 この高周波時間構造は、フラットMLPポリシーが依存する受容的フィードバックの歴史を損なう一方、従来のヨーレート追跡報酬は、ロボットの自然な振動力学と戦うことで、非生産的になる。 さらに、スキル間で先行的に共有される単一のスタイルでは、どのスキルが指揮されているかは特定できず、本質的に低速スキルの忠実さを損なう。 これらの制限を克服するために、我々は、高周波時間フィードバックを明示的にモデル化するために、因果的マルチヘッドアテンション(MHA)モジュールを採用する。 振動ヨーレートの代わりに、低周波速度方向のみを監督する方向方向報酬を設計し、自然の歩行振動を抑えることなく、アジャイルの高速回転を可能にする。 さらに,MAMP(Multi-adversarial-motion-prior)識別器を導入する。 アブレーション実験により、各メカニズムが必須であることが確認された: 構造化された時間エンコーディングをフラットヒストリーのMLPキャップに置き換えることが、最高速度を達成し、ヨーレート追跡に戻すことは、高速な回転を防止する。 筆者らのフレームワークは,実際のスプリント速度と参照モーションの忠実さのギャップを埋め,シミュレーションと実ロボットの配置の両方において,安定した高速スプリントとアグレッシブコーナーを実証する。

関連論文リスト

• Energy-Efficient Gait Adaptation via Hierarchical Reinforcement Learning for Quadrupedal Locomotion Across Diverse Terrains [0.0]
  安定かつ堅牢な関節レベル動作実行のための高周波ポリシーを低周波歩行適応から分離する階層型強化学習フレームワークを提案する。 代表的単一政治・階層的移動ベースラインに対するシミュレーションにおける提案手法の有効性を検証した。 さらに、実際のUnitree AlienGo四重組のゼロショット展開による実用可能性を示す。
  論文  参考訳（メタデータ） (2026-10-07T15:53:35Z)
• OmniMimic: Dynamics-completed Motion Augmentation for Multi-style Omnidirectional Quadruped Locomotion [37.74635813579993]
  オムニミミック(OmniMimic, OmniMimic)は、動物実験の方向制限を単一のマルチゲートポリシーに変換する訓練フレームワークである。 シミュレーションでは、OmniMimicは平均足位RMSEを前方および後方基準速度で12.9%削減する。
  論文  参考訳（メタデータ） (2026-09-17T15:28:48Z)
• Some Modifications to Our End-to-End UAV Planner [2.3190673374277524]
  一段プランナーは、単一の深度画像とロボット状態とを直接、候補軌跡のセットにマッピングする。 YOPOのマルチモーダル予測は、異なるホモトピークラスにまたがり、各動作を、明確な安全構築や建設の罰則を伴わずに、軌道を許容可能な軌道に閉じ込める軌跡として扱う。
  論文  参考訳（メタデータ） (2026-08-16T13:39:46Z)
• DRIFT: Derailing Denoising Trajectories of Flow-Matching VLAs with Adversarial Patch Attack [23.73320512301939]
  pi0のようなフローマッチング視覚言語アクション(VLA)モデルは、学習された認知速度場を統合することでロボットの動作を生成する。 このロバスト性は、多段階のODEを無視した以前の攻撃から来ています。 DRIFTはロボットのグリップに置かれるテストタイムの普遍的敵パッチで、オフザシェルフポリシーのデノイング速度場を攻撃します。
  論文  参考訳（メタデータ） (2026-08-04T06:47:26Z)
• TempoVLA: Learning Speed-Controllable Vision-Language-Action Policies [58.40033352838586]
  既存のVision-Language-Action Model (VLA) は、トレーニングデモから1つの固定速度を継承するのみである。 予測された各行動の大きさが、ロボットの動きの速さをすでに支配していることを観察する。 我々はこの観測結果を、明示的な条件で実行速度を制御する単一のVLAであるTempoVLAに変換する。
  論文  参考訳（メタデータ） (2026-06-04T17:59:40Z)
• Natural Human Motion Recovery by Aligning High-Order Temporal Dynamics from Monocular Videos [65.51845732149306]
  本稿では,HTD-Refineについて紹介する。HTD-Refineは人体運動回復(HMR)パイプラインを高次時間ダイナミクスを用いて拡張する後処理フレームワークである。 システムの中心となるPVA-Netは,モノクロ映像から直接接合部2次元位置,3次元速度,3次元加速度を推定する時間変換器である。
  論文  参考訳（メタデータ） (2026-05-26T11:38:36Z)
• HiAR: Efficient Autoregressive Long Video Generation via Hierarchical Denoising [52.237486207964245]
  HiARは階層的なデノベーションフレームワークで、従来の世代順を逆転させる。 発声ステップ毎に全てのブロックを因果生成し、各ブロックが常に同じノイズレベルでコンテキストで条件付けされるようにする。 VBench(20世代)では、HiARは比較したすべての方法の中で最高の総合スコアと最低時間ドリフトを達成する。
  論文  参考訳（メタデータ） (2026-03-09T17:58:16Z)
• FastStair: Learning to Run Up Stairs with Humanoid Robots [19.796528911795516]
  階段を駆け上がるのは人間にはむずかしいが、ヒューマノイドロボットには難しい。 FastStairは、高速で安定した階段上昇を実現するためのプランナーによる多段階学習フレームワークである。 我々は,Oliヒューマノイドロボットに制御器を配置し,最大1.65m/sの速度で安定な階段上昇を実現する。
  論文  参考訳（メタデータ） (2026-01-15T13:14:59Z)
• RobotDancing: Residual-Action Reinforcement Learning Enables Robust Long-Horizon Humanoid Motion Tracking [50.200035833530876]
  RobotDancingはシンプルでスケーラブルなフレームワークで、残留する関節の目標を予測して、ダイナミックスの不一致を明示的に修正する。 複数分間の高エネルギー動作(ジャンプ、スピン、カートホイール)をトラッキングし、高いモーショントラッキング品質のハードウェアにゼロショットをデプロイする。
  論文  参考訳（メタデータ） (2025-09-25T03:30:34Z)
• 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)

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。