論文の概要: REACH: An RL-based Hierarchical Humanoid Crawling Framework for Adaptable Confined Space Traversal

• arxiv url: http://arxiv.org/abs/2610.36546v1
• Date: Tue, 27 Oct 2026 02:59:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.471146
• Title: REACH: An RL-based Hierarchical Humanoid Crawling Framework for Adaptable Confined Space Traversal
• Title（参考訳）: REACH: 適応的収束空間トラバースのためのRLに基づく階層型ヒューマノイドクローリングフレームワーク
• Abstract要約: 高さ制約環境を横断するUnitree G1ヒューマノイドを実現するためのRLに基づく階層型フレームワークを提案する。 学習されたポリシーは、二足歩行では1.27-0.50m、クロールでは0.50-0.20mの体高を規定している。
• 参考スコア（独自算出の注目度）: 6.9464843039051205
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Humanoid locomotion in confined spaces requires continuous height adaptation across multiple locomotion modes, yet most existing approaches remain limited to height-adjustable bipedal walking. We present REACH, an RL-based hierarchical framework that enables a Unitree G1 humanoid to traverse height-constrained environments through variable-height bipedal walking and crawling. The learned policies regulate body height over complementary command ranges of 1.27--0.50m in bipedal locomotion and 0.50--0.20m in crawling, extending traversal beyond the clearance limits of crouched walking. To address contact-rich crawling dynamics, we employ a history-conditioned latent representation that captures terrain and interaction context from proprioceptive observations. A bidirectional transition policy further connects crouched bipedal locomotion and crawling across large kinematic and contact discontinuities. These skills are integrated with a LiDAR-based planner that converts point clouds into collision-free three-dimensional paths and locomotion commands, including proactive height targets. Real-world experiments demonstrate accurate height and velocity tracking, robust terrain traversal, reliable mode transitions and confined-space traversal with the proposed pipeline. Code and videos are available at https://aislab-sustech.github.io/REACH/.
• Abstract（参考訳）: 閉じ込められた空間におけるヒューマノイド移動は、複数の移動モードで連続的な高さ適応を必要とするが、既存のアプローチのほとんどは高さ調整可能な二足歩行に限られている。 本稿では,RLをベースとした階層型フレームワークREACHについて述べる。 学習方針は2足歩行では1.27-0.50m、クロールでは0.50-0.20m、体高は1.27-0.50mであり、しゃがんだ歩行のクリアランス限界を超えている。 接触に富むクロールのダイナミクスに対処するために,地形や相互作用のコンテキストを固有視的観測から捉えた歴史条件付き潜伏表現を用いる。 双方向の遷移ポリシーは、しゃがんだ二足歩行と大きなキネマティックおよび接触不連続をくぐり抜けてさらに接続する。 これらのスキルは、LiDARベースのプランナーと統合され、ポイントクラウドを衝突のない3次元のパスや、アクティブな高さ目標を含む移動コマンドに変換する。 実世界の実験では、正確な高さと速度の追跡、堅牢な地形の移動、信頼性の高いモード遷移、および提案したパイプラインとの空間の移動が示されている。 コードとビデオはhttps://aislab-sustech.github.io/REACH/.comで公開されている。

関連論文リスト

• Adaptive Traversal Tubes for Posture-Aware Navigation of Bipedal Humanoids [1.2183405753834562]
  二足歩行のヒューマノイドは体を調節することで足跡を変え、狭い通行と社会的に認識される収量の両方を可能にします。 本稿では,emphAdaptive Traversal tubes(ATT)を中心とした姿勢認識ナビゲーションフレームワークを提案する。 ATTは、参照経路に沿った行動可能な廊下幅のフィールドを表し、幾何学的クリアランスと社会的快適性を連続的な信号に統一する。 IVHは、この幅を連続した前後方向の姿勢スケジュールと全方向速度コマンドにマッピングする。 GVHMRを目標とした前/側ステップ運動と結合した速度条件AMPポリシー
  論文  参考訳（メタデータ） (2026-10-20T06:03:44Z)
• 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)
• Learning Whole-Body Humanoid Locomotion via Motion Generation and Motion Tracking [22.8041193953823]
  高次元制御、形態的不安定性、および車載認識を用いた様々な地形へのリアルタイム適応の必要性により、全身のヒューマノイド移動は困難である。 本研究では,参照動作から学んだスキルと地形認識適応を組み合わせた全身ヒューマノイド移動フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-19T09:02:55Z)
• 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)
• 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)
• TrajBooster: Boosting Humanoid Whole-Body Manipulation via Trajectory-Centric Learning [79.59753528758361]
  両足のVLAを促進するために、豊富な車輪付きヒューマノイドデータを活用するクロス・エボディメント・フレームワークであるTrajBoosterを提案する。 私たちのキーとなる考え方は、形態素に依存しないインターフェースとして、エンドエフェクタ・トラジェクトリを使用することです。 以上の結果から,TrajBoosterは既存の車輪付きヒューマノイドデータにより,二足歩行ヒューマノイドVLAの性能を効率的に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2025-09-15T12:25:39Z)
• Dexterous Legged Locomotion in Confined 3D Spaces with Reinforcement Learning [37.95557495560936]
  低レベルな動作コマンドを生成することで,これらの経路を追従するように訓練されたRLベースのポリシーと,従来の計画的計画立案を組み合わさった階層型移動制御器を導入する。 シミュレーションでは、我々の階層的アプローチは制限された3D環境をナビゲートすることに成功し、純粋なエンドツーエンド学習アプローチとパラメータ化された運動スキルの両方を上回ります。
  論文  参考訳（メタデータ） (2024-03-06T16:49:08Z)
• Reinforcement Learning for Versatile, Dynamic, and Robust Bipedal Locomotion Control [106.32794844077534]
  本稿では,二足歩行ロボットのための動的移動制御系を構築するために,深層強化学習を用いた研究について述べる。 本研究では、周期歩行やランニングから周期ジャンプや立位に至るまで、様々な動的二足歩行技術に使用できる汎用的な制御ソリューションを開発する。 この研究は、二足歩行ロボットの俊敏性の限界を、現実世界での広範な実験を通じて押し上げる。
  論文  参考訳（メタデータ） (2024-01-30T10:48:43Z)

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。