論文の概要: Humanoid Dodgeball: Learning Fast Dynamic Obstacle Avoidance Motions for Humanoids

• arxiv url: http://arxiv.org/abs/2610.40003v1
• Date: Thu, 29 Oct 2026 13:21:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 15:12:55.921007
• Title: Humanoid Dodgeball: Learning Fast Dynamic Obstacle Avoidance Motions for Humanoids
• Title（参考訳）: Humanoid Dodgeball: ヒューマノイドに対する高速な動的障害物回避運動の学習
• Abstract要約: ヒューマノイドはますますアジャイルになり、現実の環境で機能するようになりました。 このような行動を学ぶことは、ヒューマノイド系の高次元力学のために依然として困難である。 我々は,ヒューマノイドの動的障害物回避のための強化学習フレームワークであるHumanoid Dodgeballを提案する。
• 参考スコア（独自算出の注目度）: 23.320313801081827
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Humanoids have become increasingly agile and capable in real-world environments. To operate safely in dynamic scenarios, they must rapidly evade fast-moving obstacles while maintaining stability and physically feasible whole-body motion. Learning such behaviors remains challenging due to the high-dimensional dynamics of humanoid systems and the need to jointly balance reactive obstacle avoidance, motion naturalness, and control robustness. In this work, we present Humanoid Dodgeball, a reinforcement learning (RL) framework for agile dynamic obstacle avoidance in humanoids. Our method enables highly dynamic whole-body evasive maneuvers against incoming projectiles through threat-aware reward shaping, while multiple direction-specific adversarial motion priors regularize the learned behaviors toward stable and diverse human-like motions. Extensive simulation and hardware experiments demonstrate that the proposed framework substantially improves dynamic obstacle avoidance performance across diverse obstacle speeds and launch distances, while preserving robust and physically plausible humanoid motions.
• Abstract（参考訳）: ヒューマノイドはますますアジャイルになり、現実の環境で機能するようになりました。 ダイナミックなシナリオで安全に運用するには、安定性と身体全体の運動を維持しつつ、素早く動く障害物を避ける必要がある。 このような動作の学習は、ヒューマノイド系の高次元力学と、反応性障害物回避、運動自然性、制御ロバスト性とを共同でバランスさせることの必要性により、依然として困難なままである。 本稿では,人体における動的障害物回避のための強化学習(RL)フレームワークであるHumanoid Dodgeballを紹介する。 提案手法は,脅威認識型報酬形成により,入射体に対する極めてダイナミックな回避操作を可能にする一方,複数の方向特異的な対向運動は,安定かつ多種多様な人的動作に対する学習行動の規則化に先立つものである。 大規模シミュレーションおよびハードウェア実験により、提案手法は、頑健かつ物理的に安定なヒューマノイド運動を保ちながら、様々な障害物速度と発射距離にわたる動的障害物回避性能を大幅に向上することを示した。

関連論文リスト

• Unleashing the Agility of Wheeled-Legged Robots for High-Dynamic Reflexive Obstacle Evasion [2.3784505606578916]
  AWAREは車輪付き脚ロボットの高速障害物回避のための階層的強化学習フレームワークである。 AWAREは、行動的に異なる回避戦略を明らかにしながら、堅牢でアジャイルな障害物回避を実現していることを示す。
  論文  参考訳（メタデータ） (2026-04-26T15:21:33Z)
• RPG: Robust Policy Gating for Smooth Multi-Skill Transitions in Humanoid Fighting [52.18271301977709]
  我々は,スムーズで安定したヒューマノイド多スキル移行のためのハイブリッド・エキスパート・ポリシー・フレームワークであるRPGを提案する。 本手法では,動き遷移のランダム化と時間的ランダム化を取り入れて,アジャイルな戦闘行動を生成する統一的な政策を訓練する。 我々は、歩行/走る移動と戦闘スキルを統合する制御パイプラインを設計し、人間のような長時間の戦闘を任意の期間で行えるようにした。
  論文  参考訳（メタデータ） (2026-04-23T07:14:35Z)
• SMASH: Mastering Scalable Whole-Body Skills for Humanoid Ping-Pong with Egocentric Vision [53.709632118234936]
  Methodnameはアジャイルなヒューマノイドテーブルテニスのためのモジュールシステムである。 これは、スケーラブルな全身スキル学習と、オンボードの自我中心の認識を統一する。 そこで本研究では,オンボードセンシングだけで連続的なストライクを行うことができる最初のヒューマノイドテーブルテニスシステムについて紹介する。
  論文  参考訳（メタデータ） (2026-04-01T17:11:52Z)
• Perceptive Humanoid Parkour: Chaining Dynamic Human Skills via Motion Matching [77.28042137892943]
  本稿では,人間型ロボットの長期的視覚的パーキングを自律的に行うためのモジュール型フレームワークであるPerceptive Humanoid Parkour(PHP)を提案する。 本研究は、これらの合成動作に対する運動追跡強化学習専門家の政策を訓練し、それらを深度に基づく多スキル学生政策に抽出する。 我々は,Unitree G1ヒューマノイドロボットを用いた実世界実験により,我々のフレームワークを検証した。
  論文  参考訳（メタデータ） (2026-02-17T18:59:11Z)
• A Kung Fu Athlete Bot That Can Do It All Day: Highly Dynamic, Balance-Challenging Motion Dataset and Autonomous Fall-Resilient Tracking [5.968082051565195]
  武道の特徴は、急激な中心シフト、複雑な調整、急激な姿勢転換である。 KungFuAthleteは、プロアスリートの日々のトレーニングビデオから派生した、ハイダイナミックな武道運動データセットである。 本研究では,高ダイナミックなモーショントラッキングとフォールリカバリを共同で学習できる新しいトレーニングパラダイムを提案する。
  論文  参考訳（メタデータ） (2026-02-14T07:49:56Z)
• Towards Immersive Human-X Interaction: A Real-Time Framework for Physically Plausible Motion Synthesis [51.95817740348585]
  Human-Xは、様々な実体をまたいだ没入的で物理的に妥当なヒューマンインタラクションを可能にするために設計された、新しいフレームワークである。 本手法は, 自己回帰型反応拡散プランナを用いて, リアルタイムに反応と反応を同時予測する。 我々のフレームワークは、人間とロボットのインタラクションのための仮想現実インターフェースを含む、現実世界のアプリケーションで検証されている。
  論文  参考訳（メタデータ） (2025-08-04T06:35:48Z)
• Humanoid Whole-Body Locomotion on Narrow Terrain via Dynamic Balance and Reinforcement Learning [54.26816599309778]
  動的バランスと強化学習(RL)に基づく新しい全身移動アルゴリズムを提案する。 具体的には,ZMP(Zero-Moment Point)駆動の報酬とタスク駆動の報酬を,全身のアクター批判的枠組みで拡張した尺度を活用することで,動的バランス機構を導入する。 フルサイズのUnitree H1-2ロボットによる実験により、非常に狭い地形でのバランスを維持するための手法の有効性が検証された。
  論文  参考訳（メタデータ） (2025-02-24T14:53:45Z)

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。