論文の概要: FORGE: Feasible Online Reduced-Order Reference Generation and Whole-Body Execution for Agile Humanoid Locomotion
- arxiv url: http://arxiv.org/abs/2610.37974v1
- Date: Tue, 27 Oct 2026 21:12:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-31 05:25:12.333599
- Title: FORGE: Feasible Online Reduced-Order Reference Generation and Whole-Body Execution for Agile Humanoid Locomotion
- Title（参考訳）: FORGE: アジャイルなヒューマノイドロコモーションのためのオンラインのダウンオーダ参照生成と全ボディー実行
- Abstract要約: 単剛体力学とフルヒューマノイドキネマティクスを組み合わせたコマンド条件付き全体基準生成器を訓練する。
第2段階では、冷凍ROMポリシーがオンラインで展開され、全身追跡ポリシーをトレーニングするための参照を生成する。
我々は,ユニツリーG1ヒューマノイドロボットのアプローチを実証し,-2.0 m/sから2.8 m/sまでの縦方向速度,+-1.0 m/sまでの横方向速度,+-3.0 rad/sまでの角方向速度,片脚ホッピング,コマンド間の連続的な遷移を実現する。
- 参考スコア（独自算出の注目度）: 8.43843750933411
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents a two-stage learning framework for versatile and agile humanoid locomotion that couples online reduced-order model (ROM) reference generation with whole-body tracking control. In the first stage, we train a command-conditioned whole-body reference generator using single rigid body dynamics combined with full humanoid kinematics. In the second stage, the frozen ROM policy is rolled out online to generate references for training a whole-body tracking policy on the full-order dynamics model. Learning a kino-dynamically consistent reference generator in the simplified ROM space enables us to generate references over a broad command space and over multiple locomotion strategies using a single unified framework. We demonstrate the approach on a Unitree G1 humanoid robot, achieving longitudinal velocities from -2.0 m/s to 2.8 m/s, lateral velocities up to +-1.0 m/s, angular velocities up to +-3.0 rad/s, one-legged hopping, and continuous transitions across the commands, all using one unified reference policy and one whole-body tracking policy.
- Abstract（参考訳）: 本稿では,オンラインリダクションオーダーモデル(ROM)参照生成と全体追跡制御を併用した,多目的かつアジャイルなヒューマノイド移動のための2段階学習フレームワークを提案する。
第1段階では、単剛体力学とフルヒューマノイドキネマティクスを組み合わせたコマンド条件付き全体基準生成器を訓練する。
第2段階では、冷凍ROMポリシーをオンラインでロールアウトし、フルオーダーのダイナミックスモデル上で全身追跡ポリシーをトレーニングするための参照を生成する。
単純化されたROM空間でキノ力学的に一貫した参照生成器を学習することにより、単一の統一フレームワークを用いて、広いコマンド空間と複数の移動戦略上の参照を生成することができる。
我々は,ユニツリーG1ヒューマノイドロボットのアプローチを実証し,-2.0 m/sから2.8 m/sまでの縦方向速度,+-1.0 m/sまでの横方向速度,+-3.0 rad/sまでの角方向速度,片脚ホッピング,コマンド間の連続的な遷移を実現する。
関連論文リスト
- REACH: An RL-based Hierarchical Humanoid Crawling Framework for Adaptable Confined Space Traversal [6.9464843039051205]
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。
論文 参考訳（メタデータ） (2026-10-27T02:59:37Z) - RoboWorM: Evaluating Movement Realism, Consistency and Acceleration Affects in Embodied Video World Models [78.10886118053115]
ビデオワールドモデル(VWM)は、ロボット操作のためのスケーラブルなニューラルシミュレータとして急速に発展しつつある。
ほとんどのベンチマークでは、厳密な3次元空間的推論とキネマティック推論を欠いたビジョンランゲージモデル(VLM)を使用して、それらをオープンワールドビデオジェネレータとしてのみ評価している。
このギャップを埋めるために、包括的で既知のハードウェア事前ベンチマークであるRoboWorMを紹介します。
我々は,RoboWorMが表面的な視覚的品質を維持しつつ,配置クリティカルな物理的制約を黙秘的に克服できることを実証する。
論文 参考訳（メタデータ） (2026-10-24T17:11:06Z) - HuMBLE: Human Motion-Driven Behavior Learning for Embodied Locomotion [10.563677166577799]
この研究は、人間のデータからリアルタイムのステアブル、ロバスト、バイオミメティックなロコモーションポリシーを合成する学習フレームワークを導入する。
我々は、Boston Dynamics Atlas R1、Atlas D1、Unitree G1という3つのヒューマノイドロボットの枠組みを検証する。
論文 参考訳（メタデータ） (2026-10-07T17:45:17Z) - CLAW: Composable Language-Annotated Whole-body Motion Generation [55.99805728566105]
CLAWは,言語を付加した全身運動データをスケーラブルに生成するためのパイプラインである。
CLAWは運動プランナーから運動プリミティブを構成し、動き、方向、速度、骨盤の高さ、持続時間によってパラメータ化される。
低レベルコントローラは、これらの参照を MuJoCo シミュレーションで追跡し、物理的に接地された軌道を生成する。
論文 参考訳（メタデータ） (2026-04-13T10:02:04Z) - ECHO: Edge-Cloud Humanoid Orchestration for Language-to-Motion Control [8.983091538704645]
本稿では,ヒューマノイドロボットの言語駆動型全身制御のためのエッジホスト型フレームワークECHOを提案する。
クラウドネイティブ拡散に基づくテキスト・トゥ・モーション・ジェネレータは、自然言語命令から動作参照を合成する。
エッジ展開された強化学習トラッカーは、ロボットのクローズドループでそれらを実行する。
論文 参考訳（メタデータ） (2026-03-17T07:16:18Z) - UniAct: Unified Motion Generation and Action Streaming for Humanoid Robots [27.794309591475326]
ヒューマノイドロボティクスにおける長年の目標は、人間レベルの柔軟性を持つ多様なマルチモーダル命令に従うことができる汎用エージェントの実現である。
ここでは、微調整MLLMと因果ストリーミングパイプラインを統合した2段階のフレームワークであるUniActを用いて、500ms以下のレイテンシで、ヒューマノイドロボットがマルチモーダル命令を実行できることを示す。
提案手法は, ゼロショット追尾における不完全な参照動作の成功率を19%向上させる。
論文 参考訳（メタデータ） (2025-12-30T16:20:13Z) - 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) - ExBody2: Advanced Expressive Humanoid Whole-Body Control [16.69009772546575]
人間のモーションキャプチャーとシミュレーションデータの両方に基づいてトレーニングされた全身トラッキングコントローラの製作法を提案する。
我々は,ロボットのキネマティクスに適合する中間データを生成するために,教師の方針を利用する。
少量のデータによる微調整により追跡性能が大幅に向上した。
論文 参考訳（メタデータ） (2024-12-17T18:59:51Z) - 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。