論文の概要: Watch Your Step: Anticipated Perception for Humanoid Locomotion

• arxiv url: http://arxiv.org/abs/2610.29612v1
• Date: Wed, 21 Oct 2026 11:52:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.352598
• Title: Watch Your Step: Anticipated Perception for Humanoid Locomotion
• Title（参考訳）: 人型ロコモーションの予感!(動画)
• Abstract要約: 知覚的な移動ポリシーは通常、密集したロボット中心の標高マップを観察する。 我々は,ロボットの歩行が成熟するにつれて,新たなポリシーのロールアウトに対して定期的にトレーニングを行うとともに,ロコモーションポリシーとともに予測モデルをトレーニングする。 提案された軽量プリプロセッシングにより、このポリシーは完全なマップで必要とされるトレーニングのおよそ3分の1で、与えられた地形の難易度に達する。
• 参考スコア（独自算出の注目度）: 13.450406384491474
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Perceptive locomotion policies typically observe a dense robot-centric elevation map, although only the terrain beneath and around the next footsteps informs the control decision. Learned encoders compress the whole visual input, leaving the policy to work out which inputs matter while learning the baseline locomotion task. Learning both at once slows training and, without computationally expensive attention mechanisms, makes generalization to new terrain harder. We instead remove redundant inputs from the elevation map before the policy sees it. A lightweight foothold prediction model (FPM) predicts future footholds from proprioception and the velocity command alone, and we sample the elevation map only in small patches around these predicted footholds. We train the prediction model alongside the locomotion policy, periodically retraining it on new policy rollouts as the robot's gait matures. This allows the perception to anticipate where the policy will step, while the policy learns to leverage terrain information around those steps. With the proposed lightweight preprocessing, the policy reaches a given terrain difficulty in roughly a third of the training iterations required with the complete map. It outperforms policies that observe the complete map where footholds are sparse, including in narrow walled corridors, and on unseen terrain, and it matches an attention-based encoder trained at several times the cost. The policy transfers zero-shot to a Unitree G1 humanoid traversing various obstacles, stairs, gaps, and step-downs beyond the training distribution in both indoor and outdoor environments.
• Abstract（参考訳）: 知覚的な移動ポリシーは通常、密集したロボット中心の標高マップを観察するが、次の足場の下と周辺の地形だけが制御決定を通知する。 学習されたエンコーダは視覚的な入力全体を圧縮し、ベースラインの移動タスクを学習しながらどの入力が重要かを判断するポリシーを残します。 両方の学習はトレーニングを同時に遅くし、計算的に高価な注意機構がなければ、新しい地形への一般化を難しくする。 その代わりに、ポリシーがそれを見る前に、標高マップから冗長な入力を取り除きます。 軽量な足場予測モデル (FPM) は, 将来の足場をプロトリオセプションと速度コマンドのみから予測し, これらの予測足場周辺の小さなパッチにのみ, 標高マップをサンプリングする。 ロボットの歩行が成熟するにつれて、新たなポリシーのロールアウトを定期的に再訓練し、ロコモーションポリシーと共に予測モデルをトレーニングする。 これにより、ポリシーがどこに進むかを予測することができ、ポリシーはそれらのステップの周りの地形情報を活用することを学習する。 提案された軽量プリプロセッシングにより、このポリシは、完全なマップに必要なトレーニングイテレーションのおよそ3分の1で、所定の地形に到達する。 狭い壁のある廊下や見えない地形など、足場がまばらな完全な地図を観察する方針を上回り、注意に基づくエンコーダを数倍のコストで訓練する。 このポリシーはゼロショットを、屋内と屋外の両方でトレーニング分布を超えた様々な障害物、階段、隙間、ステップダウンを横断するユニツリーG1ヒューマノイドに転送する。

関連論文リスト

• World-Model-Augmented Visual Locomotion for Humanoids on Foothold-Constrained Terrain [29.978527754674044]
  我々は、近未来観測と報奨に関する学習された予測的要約が、そのような設定に必要な予測情報を提供することができるかどうかを問う。 本稿では, WM-LOCO(World-Model-Augmented Visual Locomotion)について述べる。 シミュレーションでは、WM-LOCOは、マッチしたベースラインが完全に失敗するギャップやステッピングストーンで成功し、階段上でのベースラインの成功率と一致する。
  論文  参考訳（メタデータ） (2026-09-02T12:57:01Z)
• Light-Loco-Parkour: Versatile Perceptive Whole-Body Locomotion via Multi-Skill Distillation [23.823908892458306]
  終端から終端まで知覚的な全身移動システムである textttLight-Loco-Parkour (LLP) を提案する。 ポリシーは、基準入力、スキルラベル、手書きゲート、実行時モーショングラフなしで、いつ歩くか、バランスをとるか、昇るか、ステップダウンするか、またはVaultを決定する。 シミュレーションと実世界の実験は、ベンチマークされた地形と見えない障害物の変化の両方で高い成功を示している。
  論文  参考訳（メタデータ） (2026-08-01T06:38:55Z)
• 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)
• ParkourFormer: Integrating Predictive Supervision and Sequence Modeling into Parkour Locomotion [18.91196966757826]
  本稿では,トランスフォーマーをベースとしたシーケンスモデリングフレームワークであるParkourFormerについて述べる。 シミュレーションと本物のヒューマノイドロボットの実験により、ParkourFormerは高度に挑戦的な地形で平均93.85%の成功率を達成した。
  論文  参考訳（メタデータ） (2026-05-25T12:29:47Z)
• Flow Policy Gradients for Robot Control [67.61978635211048]
  フローマッチングポリシ勾配は、より表現力のあるポリシのトレーニングと微調整に有効である。 我々は、スクラッチからトレーニングを行う際に、フロー表現をどのように活用するかを示し、ベースラインよりもきめ細やかな堅牢性を改善する。
  論文  参考訳（メタデータ） (2026-02-02T18:56:49Z)
• 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)
• Policy Pre-training for End-to-end Autonomous Driving via Self-supervised Geometric Modeling [96.31941517446859]
  PPGeo (Policy Pre-training via Geometric Modeling) は,視覚運動運転における政策事前学習のための,直感的かつ直接的な完全自己教師型フレームワークである。 本研究では,大規模な未ラベル・未校正動画の3次元幾何学シーンをモデル化することにより,ポリシー表現を強力な抽象化として学習することを目的とする。 第1段階では、幾何モデリングフレームワークは、2つの連続したフレームを入力として、ポーズと深さの予測を同時に生成する。 第2段階では、視覚エンコーダは、将来のエゴモーションを予測し、現在の視覚観察のみに基づいて測光誤差を最適化することにより、運転方針表現を学習する。
  論文  参考訳（メタデータ） (2023-01-03T08:52:49Z)
• Legged Locomotion in Challenging Terrains using Egocentric Vision [70.37554680771322]
  本稿では,階段,縁石,石段,隙間を横断できる最初のエンドツーエンド移動システムを提案する。 この結果を,1台の前面深度カメラを用いた中型四足歩行ロボットに示す。
  論文  参考訳（メタデータ） (2022-11-14T18:59:58Z)
• Coupling Vision and Proprioception for Navigation of Legged Robots [65.59559699815512]
  我々は視覚と受容の相補的な強みを利用して、脚のあるロボットでポイントゴールナビゲーションを実現する。 車輪付きロボット(LoCoBot)のベースラインよりも優れた性能を示す。 また,センサーと計算能力を備えた四足歩行ロボットに,我々のシステムを実環境に展開することも示す。
  論文  参考訳（メタデータ） (2021-12-03T18:59:59Z)

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。