論文の概要: PointWalker: Mapless Quadruped Locomotion Directly From Raw LiDAR Point Clouds

• arxiv url: http://arxiv.org/abs/2610.15548v1
• Date: Sun, 11 Oct 2026 11:43:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 18:00:18.77583
• Title: PointWalker: Mapless Quadruped Locomotion Directly From Raw LiDAR Point Clouds
• Title（参考訳）: PointWalker: 地図のない四足歩行は、LiDARの点雲から直接
• Abstract要約: ここでは、4つの光検出・測光センサ(LiDAR)から生の点雲を直接消費する1つの強化学習ポリシーを持つマップレスフレームワークであるPointWalkerを紹介する。 ボクセル化点は線形自己アテンションによって符号化され、交差アテンションを通してプロプレセプションと融合するので、地形幾何学は地図や足場推定なしでポリシーに到達する。 Deep Robotics X30に搭載されたゼロショットは、50Hzの速度で展開され、0.8mの隙間を越え、0.8mのプラットフォームと45のスチールグレーティング階段を登り、50kgのペイロードを持ち、2.5kmの山道を完成させる。
• 参考スコア（独自算出の注目度）: 7.600940520134299
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quadruped robots deployed for inspection and field missions must cross heterogeneous terrain, from stairs, slopes, and gaps to high platforms, stepping stones, and balance beams, where safe support is sparse or see-through. Existing methods interpose a terrain map or a depth image between sensing and control. Maps are costly to maintain, corrupted by odometry drift and outliers, and misled by see-through gratings, while depth cameras degrade with lighting and surface material. In this paper, we present PointWalker, a mapless framework whose single reinforcement learning policy directly consumes raw point clouds from four light detection and ranging (LiDAR) sensors. Voxelized points are encoded by linear self-attention and fused with proprioception through cross-attention, so terrain geometry reaches the policy without maps or foothold estimation. One proximal policy optimization (PPO) run, with terrain-aware rewards and dual-channel simulation of see-through gratings, yields one policy for all seven terrain classes with a 90.1% mean success rate in simulation. Deployed zero-shot on a Deep Robotics X30 at 50 Hz onboard, it crosses 0.8-m gaps, climbs 0.8-m platforms and 45° steel-grating stairs, carries a 50-kg payload, and completes a 2.5-km mountain route.
• Abstract（参考訳）: 検査やフィールドミッションのために配置された四足歩行ロボットは、階段、斜面、ギャップから高いプラットフォーム、ステッピングストーン、バランスビームまで、異質な地形を横切る必要がある。 既存の方法では、センシングと制御の間に地形図や深度画像が介在する。 地図は維持に費用がかかり、ドリフトとアウトリーチによって破損し、シースルーグレーティングによって誤解され、奥行きカメラは照明と表面物質で劣化する。 本稿では、4つの光検出・測光(LiDAR)センサから生の点雲を直接消費する1つの強化学習ポリシーを持つマップレスフレームワークであるPointWalkerを提案する。 ボクセル化点は線形自己アテンションによって符号化され、交差アテンションを通してプロプレセプションと融合するので、地形幾何学は地図や足場推定なしでポリシーに到達する。 1つの近く政策最適化(PPO)が実行され、地形対応の報酬とシースルーグレーティングの二重チャネルシミュレーションにより、シミュレーションにおける平均成功率90.1%の7つの地形クラスに対して1つのポリシーが与えられる。 Deep Robotics X30に搭載されたゼロショットは、50Hzの速度で展開され、0.8mの隙間を越え、0.8mのプラットフォームと45°のスチールグレーティング階段を登り、50kgのペイロードを持ち、2.5kmの山道を完成させる。

関連論文リスト

• RECAST: Recasting Vision-Language Semantics into an Actionable Cost Map for Robot Navigation [55.481757624043034]
  RECASTは、VLMの推論と視覚基盤モデルの空間的接地を組み合わせたロボットナビゲーションフレームワークである。 シミュレーションでは13.3ポイント、実四重奏では31.4ポイントで最強の先行法よりも成功率を向上させる。 衝突速度を9.6点、14.3点に減らし、全ての方法の中で最も低い衝突速度に達する。
  論文  参考訳（メタデータ） (2026-09-26T13:13:45Z)
• UniPoint: Unified Point-Level Sensor Fusion for Humanoid Locomotion Across Challenging Terrains [5.891198839622618]
  We present UniPoint, a humanoid whole-body locomotion framework built on multi-source point-level sensor fusion。 地形を意識した報酬、知覚劣化注入、ドメインランダム化を含む単一のトレーニングは、8種類の地形に対して1つのポリシーを生成し、微調整なしでRK3588に展開する。 DR02のヒューマノイドでは、70cmの高さのプラットフォーム、100cmの隙間、細いバリア、スパースまたは狭い足場で、9つの現実的な設定のそれぞれで20の試験が実施されている。
  論文  参考訳（メタデータ） (2026-09-20T14:23:30Z)
• Robostral Navigate [138.74472687550374]
  Robostral Navigateは、大規模なナビゲーションシステムのための視覚言語モデルである。 モノラルなRGB画像のストリームのみを消費し、現在のカメラビューの次のターゲット位置を指して、ウェイポイントを予測する。 我々は、実世界のデータ収集への依存を減らすため、350kのシミュレートされたシーンに240万のトラジェクトリを生成します。
  論文  参考訳（メタデータ） (2026-07-22T23:13:05Z)
• Paired-CSLiDAR: Height-Stratified Registration for Cross-Source Aerial-Ground LiDAR Pose Refinement [46.13526676100776]
  Paired-CSLiDAR(英語版)は、シングルスキャンポーズリファインメントのためのクロスソース空地LiDARベンチマークである。 このベンチマークには6つの評価サイトで12,683組の地上空対が含まれている。 本稿では,RGSR(Residual-Guided Stratified Registration)を提案する。
  論文  参考訳（メタデータ） (2026-05-01T13:14:20Z)
• Efficient Autonomous Navigation of a Quadruped Robot in Underground Mines on Edge Hardware [0.5371337604556311]
  地下鉱山での身体的ナビゲーションは、狭い通路、不均一な地形、ほぼ全天の闇、GPSによる汚染条件、限られた通信インフラなど、重大な課題に直面している。 我々は、Boston Dynamics Spotロボットのための完全に自律的なナビゲーションスタックを提示し、GPUなしで、ネットワーク接続を必要としない低消費電力のIntelコンピュータエッジで完全に動作する。 実験地中地雷の難易度が異なる4地点を対象とし, 完全自律走行の700m以上を, 全20回の試験で100%成功率で蓄積し, 実地試験を繰り返し検証した。
  論文  参考訳（メタデータ） (2026-03-04T02:23:55Z)
• APEX: Learning Adaptive High-Platform Traversal for Humanoid Robots [32.84976822343718]
  本稿では,登頂型高プラットフォーム交通行動認識システムであるAPEXを提案する。 私たちのアプローチの中心は、コンタクトに富んだ目標達成策を学ぶための一般的なラチェット進歩報酬です。 我々は、LiDARベースのフルボディ操作ポリシーを訓練し、sim-to-real知覚ギャップを低減する。
  論文  参考訳（メタデータ） (2026-02-11T18:55:11Z)
• RPL: Learning Robust Humanoid Perceptive Locomotion on Challenging Terrains [53.674116167774095]
  本研究では,挑戦的な地形上での多方向移動を可能にする2段階トレーニングフレームワークを提案する。 RPLは、高度マップの観察を特権化した専門家のポリシーを訓練し、分離された移動と操作のスキルを習得する。 次に、複数の深度カメラを活用して広い視野をカバーできるトランスフォーマーポリシーを作成します。 スケーラブルな深度蒸留のために、動的ロボットメッシュと静的な地形メッシュの両方に対してレイキャストを行う効率的なマルチ深度システムを開発した。
  論文  参考訳（メタデータ） (2026-02-03T02:17:08Z)
• Gait-Adaptive Perceptive Humanoid Locomotion with Real-Time Under-Base Terrain Reconstruction [86.53248703859718]
  本研究では,地形認識,歩行制御,全身制御を一つの強化学習ポリシーにマージする知覚的移動フレームワークを提案する。 31-DoF、1.65mのヒューマノイドロボットによる実験は、シミュレーションと実世界の両方で堅牢な移動を実証している。
  論文  参考訳（メタデータ） (2025-12-08T11:42:41Z)
• VAPOR: Legged Robot Navigation in Outdoor Vegetation Using Offline Reinforcement Learning [53.13393315664145]
  本研究では,非構造で密集した屋外環境における自律脚ロボットナビゲーションのための新しい手法であるVAPORを提案する。 本手法は,アクター・クリティカル・ネットワークと実際の屋外植生で収集された任意のデータを用いて,新しいRLポリシーを訓練する。 VAPORの動作は成功率を最大40%向上させ、平均電流消費量を最大2.9%削減し、正規化軌道長を最大11.2%削減する。
  論文  参考訳（メタデータ） (2023-09-14T16:21:27Z)

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。