論文の概要: FCTS: Failure-Guided Curriculum Tree Search Over Generated Terrain for Legged Parkour

• arxiv url: http://arxiv.org/abs/2610.22619v1
• Date: Thu, 15 Oct 2026 20:22:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.659824
• Title: FCTS: Failure-Guided Curriculum Tree Search Over Generated Terrain for Legged Parkour
• Title（参考訳）: FCTS: 足で駐車する場所を探索するエラーガイド付きカリキュラムツリー
• Abstract要約: 本稿では,次々に学習すべき地形を自動的に生成する,障害条件付き地形カリキュラムフレームワークを提案する。 実世界の建設現場から作られた地形では、FCTSは中級のコースで成功率を28.4%から85.8%に引き上げている。 四足歩行ロボットのハードウェア実験により、学習したFCTSポリシーが現実世界に伝達されることが確認された。
• 参考スコア（独自算出の注目度）: 7.564354460689308
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quadruped parkour policies handle canonical obstacles well, but their training curricula often miss the irregular, compound geometry of industrial and disaster-response sites, where agile locomotion matters most. Such environments pose a hard generalization problem: even training directly on reconstructed geometry from the target site does not reliably yield policies that traverse it. Hand-designed curricula span only a few terrain families, and recent LLM-generated curricula offer little control over which policy weaknesses they target. We propose FCTS, a failure-conditioned terrain curriculum framework that uses localized traversal failures to automatically generate the terrains a policy should train on next. Each failure's location, termination mode, robot state, and surrounding terrain geometry condition this generation, and Monte Carlo Tree Search explores alternative curriculum trajectories under a fixed training budget. On terrains built from scanned real-world construction sites, FCTS raises success rate from 28.4% to 85.8% on a medium-difficulty course and from 14.9% to 44.7% on a hard course relative to the strongest parkour or LLM-curriculum baselines, and maintains higher progress on extreme terrains where full traversal is rare. Hardware experiments on a quadruped robot confirm that the learned FCTS policies transfer to the real world.
• Abstract（参考訳）: 仮設駐車場の方針は標準的障害をうまく扱えるが、彼らの訓練カリキュラムは、アジャイルの移動が最も重要となる産業や災害対応地の不規則で複合的な幾何学を見逃すことが多い。 このような環境は厳密な一般化の問題を引き起こす: ターゲットサイトから再構成された幾何学を直接訓練しても、それを横断するポリシーを確実に得ることはできない。 手作りのキュリキュラはごく少数の地形の家族に限られており、最近のLCM生成キュリキュラは、どの政策の弱点を標的にするかをほとんど制御できない。 FCTSは, 局地的トラバーサル障害を利用して, 次々に学習すべき地形を自動的に生成する, 故障条件付き地形カリキュラムフレームワークである。 それぞれの障害の位置、終了モード、ロボットの状態、周辺の地形条件はこの世代であり、モンテカルロ木探索は固定された訓練予算の下で代替のカリキュラムの軌跡を探索する。 走査された現実世界の建設現場から作られた地形では、FCTSは中距離のコースで28.4%から85.8%、コースで14.9%から44.7%に上昇し、フルトラバーサルが稀な極端な地形では高い進歩を維持している。 四足歩行ロボットのハードウェア実験により、学習したFCTSポリシーが現実世界に伝達されることが確認された。

関連論文リスト

• Trajectory-Level Automatic Curriculum Learning for Legged Locomotion on Unstructured Terrain [30.327576375647663]
  textbfournameは、非構造地形地図から直接トレーニングタスクを生成する。 本手法は,カリキュラムなしの直接学習よりも成功率を56.3%向上させる。
  論文  参考訳（メタデータ） (2026-08-17T06:30:45Z)
• Mind Your Steps: A General Learning Framework for Accurate Humanoid Foothold Tracking [78.30338456206984]
  本稿では,汎用3D足場追跡ポリシーをトレーニングするための新しいフレームワークを提案する。 本手法は, 目標検層による足場支援を動的に行うことにより, 学習方針を特定の地形に依存しないものにする。 我々の新しいターゲット表現は、雑音や不正確なポーズ推定や足の接触推定といった現実の課題を効果的に緩和する。
  論文  参考訳（メタデータ） (2026-06-06T16:44:56Z)
• Meridian: Metric-Semantic Primitive Matching for Cross-View Geo-Localization Beyond Urban Environments [47.53030013880309]
  ロボット自動化の成功には、リピータビリティ、タスク計画、目標仕様、安全な操作をサポートするために、正確なグローバルローカライゼーションが必要である。 本稿では,空中画像と地上ロボットRGB-Dカメラデータにまたがって,ハイレベルなメトリック・セマンティックプリミティブをマッチングする方法であるメリディアンを提案する。 我々のアルゴリズムは、自律運転データセット、公園とキャンパスのエリア、荒野キャンプなど、幅広い環境にまたがる地上ロボットをローカライズできることを実証する。
  論文  参考訳（メタデータ） (2026-06-04T15:52:40Z)
• 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)
• TTT-Parkour: Rapid Test-Time Training for Perceptive Robot Parkour [29.110035197783162]
  本稿では,ヒューマノイド・ロボット・パーキングのためのリアル・ツー・シミュレート・トゥ・リアル・フレームワークを提案する。 政策は、まず手続き的に生成された地形で事前訓練され、続いて現実世界の捕獲から再構築された高忠実度メッシュの素早い微調整が行われる。 TTT-Parkourは、くさび、ステック、ボックス、トラップエイド、狭いビームなど、複雑な障害物をマスターするために、ヒューマノイドロボットを活用できることを実証する。
  論文  参考訳（メタデータ） (2026-02-02T16:55:10Z)
• 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)
• Learning Terrain-Specialized Policies for Adaptive Locomotion in Challenging Environments [0.4588028371034407]
  この研究は、地形に特化されたポリシーとカリキュラムの学習を活用して、複雑な環境での俊敏性を高め、パフォーマンスを追跡する階層的な強化学習フレームワークを導入する。 本研究では,本手法をシミュレーションで検証し,本手法は成功率を最大16%向上させ,速度目標の増大とともに追従誤差の低減を図る。
  論文  参考訳（メタデータ） (2025-09-25T00:17:39Z)
• A Walk in the Park: Learning to Walk in 20 Minutes With Model-Free Reinforcement Learning [86.06110576808824]
  深層強化学習は、制御されていない環境での学習ポリシーに対する有望なアプローチである。 機械学習アルゴリズムとライブラリの最近の進歩と、慎重に調整されたロボットコントローラを組み合わせることで、現実世界では4分で学習できる。
  論文  参考訳（メタデータ） (2022-08-16T17:37:36Z)
• Learning to Generalize Across Long-Horizon Tasks from Human Demonstrations [52.696205074092006]
  Generalization Through Imitation (GTI) は、2段階のオフライン模倣学習アルゴリズムである。 GTIは、状態空間の共通領域で異なるタスクの軌道を示す構造を利用する。 GTIの第1段階では,異なる実演軌跡から行動を構成する能力を持つために交差点を利用する政策を訓練する。 GTIの第2段階では、ゴール指向エージェントをトレーニングして、新しいスタートとゴールの設定を一般化する。
  論文  参考訳（メタデータ） (2020-03-13T02:25:28Z)

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。