論文の概要: Locomotion with Online Awareness of Dynamics for Precision Footholds

• arxiv url: http://arxiv.org/abs/2610.17930v1
• Date: Tue, 13 Oct 2026 08:16:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 08:10:58.085908
• Title: Locomotion with Online Awareness of Dynamics for Precision Footholds
• Title（参考訳）: 精密足場における動的動作のオンライン認識によるロコモーション
• Abstract要約: LOADは、明示的な慣性推定と暗黙的な動的特徴を組み合わせた知覚的なロコモーションフレームワークである。 我々はLOADとその変種をシミュレーションおよびビーム幅およびペイロード構成のハードウェア上で広範囲に評価した。
• 参考スコア（独自算出の注目度）: 2.580765958706854
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unknown payloads alter robot dynamics and make precise contact execution difficult when foothold margins are small. We present LOAD, a perceptive locomotion framework that combines explicit inertial estimates with implicit dynamics features for narrow-beam traversal. Separate recurrent modules infer torso inertial changes and task-relevant history from proprioception, while a height-map teacher is distilled into a depth-based student. We extensively evaluate LOAD and its variants in simulation and on hardware across beam widths and payload configurations. The results show that implicit dynamics features accelerate training, while explicit inertial estimation further improves traversal success; combining both enables LOAD to approach the performance of a privileged policy supplied with ground-truth inertial parameters. Hardware experiments demonstrate traversal with unilateral payloads of 6 kg on a 10 cm beam and 9 kg on a 15 cm beam, and an evenly distributed 11 kg payload on a 15 cm beam. These results support combining physical estimates and history features for precision locomotion under unknown loads.
• Abstract（参考訳）: 未知のペイロードは、ロボットのダイナミクスを変え、足場マージンが小さい場合に正確な接触実行を困難にする。 LOADは,暗黙的慣性推定と暗黙的動的特徴を組み合わせ,狭間移動のための知覚的移動フレームワークである。 高度マップの教師が深度に基づく学生に蒸留される間、異なる反復モジュールは、プロプレセプションから胴体慣性変化とタスク関連履歴を推測する。 我々はLOADとその変種をシミュレーションおよびビーム幅およびペイロード構成のハードウェア上で広範囲に評価した。 その結果、暗黙的力学はトレーニングを加速する一方、明示的な慣性推定はトラバースの成功をさらに改善することが示された。 ハードウェア実験では、片方6kgのペイロードを10cmのビームで、9kgのペイロードを15cmのビームで、均等に分散した11kgのペイロードを15cmのビームで示す。 これらの結果は、未知の負荷下での高精度移動のための物理推定と履歴特徴の組み合わせを支援する。

関連論文リスト

• SpikingMOT: A Spike-Driven Multi-Object Tracker [75.7974381720717]
  SpikingMOTはスパイク駆動トラッカーとして提案され、スパイクニューラルネットワーク(SNN)を用いたスパース軌道力学を適応的にモデル化する。 この脳にインスパイアされたループにより、SpikeMOTは広範な実験で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-07-22T08:03:23Z)
• Learning to Throw: Agile and Accurate Cable-Suspended Payload Delivery with a Quadrotor [17.676294984292433]
  クアドロレータは、時間クリティカルなアプリケーション中にサスペンションペイロードを高速に輸送するために必要なアジリティを提供する。 最先端のアプローチは一般的にモデルベースの軌道最適化と追跡に依存している。 複素ロープおよびペイロード相互作用のための物理解法と高忠実度解析的四元子モデルとを結合したハイブリッドシミュレーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-25T23:30:52Z)
• Learning Dynamic Pick-and-Place for a Legged Manipulator [8.027246382283003]
  本研究では,6-DOFロボットアームを装備した四足歩行を用いた動的ピック・アンド・プレイス作業のための階層的強化学習フレームワークを提案する。 シミュレーションでは、最大2.3kgまでのペイロードで86.05%の成功率を達成した。 地上レベルから1.1mの高さまで幅広い垂直ワークスペースにおいて、このシステムは最大1.3kgまでのペイロードに対して平均73.3%の成功率を示す。
  論文  参考訳（メタデータ） (2026-05-15T08:04:07Z)
• TransCurriculum: Multi-Dimensional Curriculum Learning for Fast & Stable Locomotion [50.54752207285298]
  TransCurriculumは、アジャイル四足歩行のためのトランスフォーマーベースの多次元カリキュラム学習アプローチである。 シミュレーションでは,Unitree Go1ロボットに対するアプローチを検証し,Go1ハードウェア上でゼロショットでデプロイする。
  論文  参考訳（メタデータ） (2026-03-14T23:44:42Z)
• 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)
• 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)
• Impedance Matching: Enabling an RL-Based Running Jump in a Quadruped Robot [7.516046071926082]
  シミュレーションロボットと現実ロボットのギャップを軽減するための新しい枠組みを提案する。 本フレームワークはパラメータ選択のための構造化ガイドラインとシミュレーションにおける動的ランダム化の範囲を提供する。 結果は、我々の知る限り、実四足歩行ロボットにおいて、RLベースの制御ポリシーによって実証された最も高く、最も長いジャンプの1つです。
  論文  参考訳（メタデータ） (2024-04-23T14:52:09Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• 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。