論文の概要: Humanoid Mobility via Attention-based Contacts

• arxiv url: http://arxiv.org/abs/2610.31608v1
• Date: Thu, 22 Oct 2026 17:37:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.499304
• Title: Humanoid Mobility via Attention-based Contacts
• Title（参考訳）: 注意に基づく接触によるヒューマノイド移動
• Abstract要約: ポリシーは、自然界全体の調整のためにデータ駆動の動作先を利用することができる。 その後の微調整ステージは、取得した能力をブートストラップして環境変動を探索する。 この枠組みは、挑戦的な環境における多目的なヒューマノイド移動を可能にする。
• 参考スコア（独自算出の注目度）: 30.160068797066085
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Humanoid mobility over complex terrain requires accurate foot placement and coordinated whole-body motion capable of robust adaptation. Reinforcement learning (RL) policies trained without motion references generalize well across terrains, yet eliciting effective whole-body coordination through reward design and exploration alone remains challenging. In contrast, reference-based methods yield natural motions but struggle to adapt beyond the predefined trajectories in their training data. We introduce a learning framework that bridges these two approaches by using motion data strictly as a training prior. An explicit, self-supervised, attention-based contact planner predicts future body-environment contacts, while a contact-conditioned tracker translates these plans into coordinated whole-body motion. Together, they establish contact as an interface between sensory observations and control actions. This abstraction allows the policy to internalize the contact-aware structure of locomotion rather than directly replicating kinematics. Consequently, a single policy can exploit data-driven motion priors for natural whole-body coordination while retaining the flexibility to discover environment-dependent behaviors through reinforcement learning. Building on the learned contact planner and tracker, a subsequent fine-tuning stage bootstraps their acquired capabilities to explore environment variations beyond those covered by the original motion data. Operating entirely from onboard observations without any reference inputs at deployment, this framework enables versatile humanoid mobility in challenging environments.
• Abstract（参考訳）: 複雑な地形上でのヒューマノイド移動には、正確な足の配置と、頑健な適応が可能な全身運動が必要である。 運動基準なしで訓練された強化学習(RL)政策は、地形全体にわたってよく一般化するが、報酬設計と探索だけで効果的な全身調整を導くことは、依然として困難である。 対照的に、参照ベースの手法は自然な動きをもたらすが、トレーニングデータにおいて予め定義された軌道を超える適応に苦慮する。 我々は,これらの2つのアプローチを,前もってトレーニングとして厳密に動作データを用いてブリッジする学習フレームワークを導入する。 明示的で、自己監督型、注意に基づく接触プランナーは、将来の身体環境との接触を予測し、接触条件付きトラッカーは、これらの計画を全体の運動に変換する。 同時に、感覚観察と制御行動のインターフェースとして接触を確立する。 この抽象化により、ポリシーは運動学を直接複製するのではなく、移動の接触認識構造を内部化することができる。 その結果、単一のポリシーは、自然全体の調整のためにデータ駆動の動作先を活用できると同時に、強化学習を通じて環境依存行動を検出する柔軟性を保っている。 学習したコンタクトプランナーとトラッカーに基づいて構築された後続の微調整ステージは、取得した能力をブートストラップして、元のモーションデータでカバーされたものを超えて環境の変化を探索する。 配備時の参照入力のないオンボード観測から完全に運用されるこのフレームワークは、挑戦的な環境で汎用的なヒューマノイドモビリティを実現する。

関連論文リスト

• iGPC: Generative Motion Priors for Object-Aware Humanoid Interaction [14.539929548244222]
  本稿では,最近提案されたジェネレーティブ・プレトレーニングド・コントローラ(GPC)を一般人の動きから全身のヒューマノイド環境相互作用に拡張するフレームワークを提案する。 まず,シーン・アベイランス・キューと特権国家情報に基づくインタラクション・エキスパートにGPCを適用した。 第2に、事前学習したGPCポリシーを維持し、搭載された感覚観察を用いて専門家のインタラクションスキルを蒸留する知覚駆動型学生を紹介した。
  論文  参考訳（メタデータ） (2026-10-06T10:41:31Z)
• Unifying Physics-Based Humanoid Interaction with a Context-Conditioned Interaction Prior [20.58647951068921]
  CHIPは、不均一な動きデータから再利用可能なヒューマノイド相互作用スキルを学習するための物理学的な基盤となるフレームワークである。 我々はまず,不均一な相互作用データから基礎となる教師の行動を取得する物理に基づくモーション・イミュレーション・ポリシーを学習する。 次に、これらの動作を文脈条件付き相互作用に蒸留し、移動と操作をまたいだ再利用可能な運動構造をキャプチャする。
  論文  参考訳（メタデータ） (2026-09-06T13:16:48Z)
• Learning to infer and manipulate through distributed whole-arm interaction in a soft robot [10.64814207190881]
  ゾウやタコのような動物では、物体に関する非視覚的な情報を取得し、それと物理的に関わることは不可分なプロセスである。 本稿では,タスク関連情報を共同で公開し,操作動作を整理する物理インテリジェンスフレームワークを提案する。 これを可能にする重要な革新は、(i)広いワークスペース探索の基準を提供する事前訓練された探索政策、(ii)単一のリカレントポリシー内での探索と把握を統合した共同最適化、(iii)観察マッピングと政策微調整を含む2段階のsim-to-real適応である。
  論文  参考訳（メタデータ） (2026-08-31T13:35:00Z)
• Perceptive Behavior Foundation Model: Adapting Human Motion Priors to Robot-Centric Terrain [25.92545023668694]
  我々は、ロボット中心の知覚において、人間の動きを前提とした地形認識型ヒューマノイド制御フレームワークを開発する。 我々は,視覚障害者の教師を訓練し,その地形・地形の振る舞いを生の学生に伝達する。 学生は、移動追跡を前もって保存し、必要なときにのみ局所的な補正を行うように訓練された、地形の特徴が残留経路を通り抜けるアイデンティティ付きトランスフォーマートラッカーである。
  論文  参考訳（メタデータ） (2026-06-06T08:46:44Z)
• Learn Weightlessness: Imitate Non-Self-Stabilizing Motions on Humanoid Robot [56.377161933570335]
  人間は自然に非自己安定化(NSS)運動中に「無重力」状態を利用する。 この生物学的メカニズムに着想を得て,データセットのアノテーションに対する無重力自動ラベル方式を提案する。 我々の研究は、正確な軌道追跡と適応的な環境相互作用のギャップを埋め、接触リッチなヒューマノイド制御のための生物学的にインスパイアされたソリューションを提供する。
  論文  参考訳（メタデータ） (2026-04-23T07:10:05Z)
• OmniTrack: General Motion Tracking via Physics-Consistent Reference [54.256312586493415]
  OmniTrackは、一般的なモーショントラッキングから物理的実現可能性を明確に分離する一般的なトラッキングフレームワークである。 実験により、OmniTrackは追跡精度を向上し、目に見えない動きに対して強力な一般化を示すことが示された。 実世界のテストでは、OmniTrackは、フリップやカートホイールのような複雑なアクロバティックな動きを含む、1時間の長さ、一貫性、安定したトラッキングを実現している。
  論文  参考訳（メタデータ） (2026-02-27T09:12:15Z)
• InterPrior: Scaling Generative Control for Physics-Based Human-Object Interactions [58.329946838699044]
  人間は、明示的な全身運動のレベルで、物体と全身の相互作用を計画することは滅多にない。 このような事前のスケーリングは、ヒューマノイドがロコ操作スキルの構築と一般化を可能にする鍵となる。 我々は,強化学習による大規模模倣事前学習とポストトレーニングを通じて,統合生成コントローラを学習するフレームワークであるInterPriorを紹介する。
  論文  参考訳（メタデータ） (2026-02-05T18:59:27Z)
• InterControl: Zero-shot Human Interaction Generation by Controlling Every Joint [67.6297384588837]
  関節間の所望距離を維持するために,新しい制御可能な運動生成手法であるInterControlを導入する。 そこで本研究では,既成の大規模言語モデルを用いて,ヒューマンインタラクションのための結合ペア間の距離を生成できることを実証した。
  論文  参考訳（メタデータ） (2023-11-27T14:32:33Z)

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。