論文の概要: Do Earth-Trained Humanoid Controllers Walk on the Moon? Gravity, Terrain, and Soil Transfer

• arxiv url: http://arxiv.org/abs/2610.30080v1
• Date: Wed, 21 Oct 2026 17:28:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.459884
• Title: Do Earth-Trained Humanoid Controllers Walk on the Moon? Gravity, Terrain, and Soil Transfer
• Title（参考訳）: 地球で訓練された人型ロボットは月面を歩くか? 重力・地すべり・土壌移動
• Abstract要約: 私たちは12のポリシーを1つのレシピでトレーニングします。 硬質地盤と3次元RFTの重力場および3つの保留土モデルでのトレーニング重力場において実験を行った。
• 参考スコア（独自算出の注目度）: 0.5735035463793009
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Moon changes gravity, terrain, and soil at once. Learned locomotion has studied reduced gravity on rigid ground and granular terrain mostly at Earth gravity, but not humanoids under both, generalist-controller transfer, or the Earth cost of lunar adaptation. On a simulated Unitree G1, we train 12 policies with one recipe, varying gravity, terrain geometry, and ground contact (rigid or three-dimensional resistive force theory, 3D RFT), and including Earth-to-Moon fine-tuning and gravity randomization. We test them at both gravities on rigid ground and 3D RFT, and at their training gravity on three held-out soil models. We also test the frozen SONIC, a released generalist humanoid controller, at both gravities on rigid ground only. Gravity transfer is asymmetric. Earth-trained policies keep 0.64 to 0.75 survival at the Moon on flat rigid ground, Moon-trained and fine-tuned policies cannot stand at Earth, and SONIC survives at most 0.10 at the Moon. Rough training lifts combined-tile survival from 0.53 to 0.98 at Earth and 0.80 to 0.99 at the Moon. In 3D RFT, soil training helps on Earth sand, on tiles and for rough-trained policies also on flat sand. On the stiffer lunar soil it helps only flat-trained Earth policies at Earth and changes the survival of Moon-trained policies by at most a few hundredths. In the sampled rollouts of the held-out soil models, Moon-trained policies keep most of their rigid-ground progress on lunar regolith at the low G1 foot pressure, with per-seed progress ratios of 0.84 to 1.39 apart from one seed with a short rigid reference. A gravity-randomized policy trained on rough 3D RFT terrain has a seed-mean survival of at least 0.84 at Earth and 0.96 at the Moon on every key test cell up to 20 degrees. Lunar results are simulation predictions conditional on the contact model and soil stiffness.
• Abstract（参考訳）: 月は一度に重力、地形、土壌を変化させる。 学習された移動は、主に地球重力下での硬い地面と粒状地での重力の減少を研究するが、ジェネリスト・コントロールラーの移動や月面への適応の地球コストは、どちらもヒューマノイドではない。 シミュレーションされたユニツリーG1では、重力、地形、接地(剛体または3次元抵抗力理論、3D RFT)の12のポリシーを1つのレシピで訓練し、地球から月への微調整と重力ランダム化を含む。 硬質地盤と3次元RFTの重力場および3つの保留土モデルでのトレーニング重力場において実験を行った。 また,厳密な地盤上の両方の重力において,一般人型制御器であるSONICの凍結試験を行った。 重力移動は非対称である。 地球で訓練された政策は、平らな地上で月で0.64から0.75の生存を保ち、月で訓練された政策と微調整された政策は地球では維持できず、SONICは月で少なくとも0.10の生存を保っている。 粗い訓練では、地球では0.53から0.98まで、月では0.80から0.99まで、組み合わせて生存する。 3D RFTでは、土のトレーニングは、地球砂、タイル、および平らな砂の荒削りな政策に役立ちます。 より硬い月土では、地球での平らな地球の政策のみを補助し、月で訓練された政策の生存を少なくとも数百分の1で変化させる。 採取された土壌モデルのロールアウトでは、月のトレーニングされた政策は、低G1足圧で月のレゴリスの硬質地盤の進行のほとんどを保ち、種子ごとの進行率は0.84から1.39と、短い硬質基準で1つの種から分離している。 粗い3D RFT地形で訓練された重力ランダム化政策は、地球での種子平均生存率は0.84、月での生存率は0.96である。 ルナーの結果は接触モデルと地盤硬度を条件としたシミュレーション予測である。

関連論文リスト

• GigaBrain-WBC-0.5: A Behavior World Model for Robust Whole-Body Control with Environment Interaction [68.67772166423812]
  ヒューマノイド全身制御のための行動世界モデル(BWM)であるGigaBrain-WBC-0.5を提案する。 純粋にリアクティブなトラッカーではなく、因果トランスフォーマーをトレーニングして、次のアクション、次の状態、次の潜伏動作コマンドに対する分布を共同で予測します。 自動地形アノテーションパイプラインは、再ターゲティングされた動きから完全な3D接触形状を復元し、既存の動きデータセットのスケールでの地形アノテートを可能にする。
  論文  参考訳（メタデータ） (2026-08-18T18:21:36Z)
• Towards Low-Gravity Planetary Exploration using Reinforcement Learning for Walking, Jumping, and In-flight Attitude Control [11.648973329789973]
  本稿では,惑星探査シナリオにおける動的四足歩行のための強化学習ポリシーを提案する。 我々は、火星の重力減少に合わせて、歩行、垂直ジャンプ、前方ジャンプ、飛行中の姿勢制御のためのRLポリシーを開発した。
  論文  参考訳（メタデータ） (2026-05-23T16:20:23Z)
• MoonAnything: A Vision Benchmark with Large-Scale Lunar Supervised Data [0.13999481573773068]
  既存の月のデータセットには、幾何学的基底真理、測光的リアリズム、照明の多様性、大規模カバレッジが欠落している。 実際の月面地形上に物理ベースのレンダリングで構築された統合ベンチマークであるMoonAnythingを紹介する。 我々は最先端の手法を使ってベースラインを確立し、コミュニティ拡張をサポートする生成ツールとともに完全なデータセットをリリースする。
  論文  参考訳（メタデータ） (2026-04-01T09:39:15Z)
• 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)
• Adapting Stereo Vision From Objects To 3D Lunar Surface Reconstruction with the StereoLunar Dataset [0.12314765641075437]
  月の最初のステレオ画像ペアのオープンデータセットであるLunarStereoを紹介する。 月面の南極周辺の様々な高度、照明条件、視角をカバーしている。 我々はLunarStereoの微調整によりMASt3Rモデルを月領域に適応させる。
  論文  参考訳（メタデータ） (2025-10-20T23:50:52Z)
• Inpainting the Red Planet: Diffusion Models for the Reconstruction of Martian Environments in Virtual Reality [0.0]
  訓練は、NASAのHiRISE調査から得られた12000個の火星高度マップで実施された。 非均一な再スケーリング戦略は、固定された128x128モデル解像度にリサイズする前に、複数のスケールにわたる地形の特徴をキャプチャする。 その結果,本手法は再建精度(RMSEでは4～15%)と知覚的類似性(LPIPSでは29～81%)において,元のデータより一貫して優れていた。
  論文  参考訳（メタデータ） (2025-10-16T15:02:05Z)
• Efficient Learning-Based Control of a Legged Robot in Lunar Gravity [6.923275442275323]
  脚のついたロボットは、低重力体で挑戦する分野を探求する上で有望な候補だ。 これらのロボットは、複数の重力環境に容易に移行できるエネルギー効率の高い制御アプローチを必要とする。 本稿では,重力スケールの電力最適化型報酬関数を持つ脚型ロボットに対して,強化学習に基づく制御手法を提案する。
  論文  参考訳（メタデータ） (2025-09-12T10:43:58Z)
• Learning Humanoid Locomotion over Challenging Terrain [84.35038297708485]
  本研究では,自然と人為的な地形を横断する視覚障害者の移動に対する学習に基づくアプローチを提案する。 本モデルではまず, 時系列モデルを用いた平地軌道のデータセット上で事前学習を行い, 補強学習を用いて不均一な地形を微調整する。 本研究では, 荒面, 変形面, 傾斜面など, 様々な地形にまたがる実際のヒューマノイドロボットを用いて, モデルを評価する。
  論文  参考訳（メタデータ） (2024-10-04T17:57:09Z)
• Testing the nonclassicality of gravity with the field of a single delocalized mass [55.2480439325792]
  調和的に閉じ込められたテスト質量に結合した1つの非局在化質量に基づくセットアップを提案する。 本研究では, カシミール・ポルダー力のテーム能力に大きく依存する, 実験の原理的実現可能性について検討する。
  論文  参考訳（メタデータ） (2023-07-18T15:40:16Z)
• Gravity-Aware Monocular 3D Human-Object Reconstruction [73.25185274561139]
  本稿では,共同マーカーレス3次元モーションキャプチャとモノクロRGB映像からの物体軌跡推定のための新しい手法を提案する。 自由飛行中に部分的に観察された物体を含むシーンに焦点を当てた。 実験では, 各種計測値を用いた3次元モーションキャプチャにおいて, 最先端の精度を実現する。
  論文  参考訳（メタデータ） (2021-08-19T17:59:57Z)

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。