論文の概要: Cross-Embodiment Motion Planning by Coupling Body-Agnostic World Model with Differentiable Ego-Dynamics

• arxiv url: http://arxiv.org/abs/2610.41330v1
• Date: Fri, 30 Oct 2026 06:45:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.634135
• Title: Cross-Embodiment Motion Planning by Coupling Body-Agnostic World Model with Differentiable Ego-Dynamics
• Title（参考訳）: 異種エゴダイナミクスを用いた身体非依存世界モデルとの結合による異種身体運動計画
• Abstract要約: クラッタ内の運動プランニングは、エンボディメント固有のものである。 この手紙は、このインターフェースでのクロス・エボディメント・モーション・プランニングを分解する、時計形のアーキテクチャであるHourglassを提案する。
• 参考スコア（独自算出の注目度）: 52.88405076406971
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motion planning in clutter is embodiment-specific: the feasible free space and reachable commands depend on each robot's geometry and dynamics. Existing cross-embodiment policies output normalized commands that disregard these differences, or compensate through per-robot training and distillation. World models can in principle pool cross-embodiment data, yet command-conditioned models bind their latent dynamics to a single action space, while pose-conditioned models omit the mapping from commands to body-specific motion. On flat ground, however, embodiment affects the planner's observations only through the camera ego-motion. This letter proposes Hourglass, an hourglass-shaped architecture that factorizes cross-embodiment motion planning at this interface: a body-agnostic world model and each robot's differentiable ego-dynamics, which map commands to that ego-motion, are coupled only through it. The world model is trained on data pooled across embodiments and camera mounts; each robot's ego-dynamics is a reduced-order template with identified physical parameters. A generalist parameter-conditioned policy is learned once at this junction: each imagined step rolls out the template and then the world model, and imagination training through each robot's template makes the policy body-aware. On seven simulated robots of five locomotion types, the generalist policy outperforms imitation-learning and diffusion-policy baselines on the same world model by 3.8--10.6 percentage points in success rate and matches per-robot specialists without dedicated training, while approaching its parameter-conditioned MPPI teacher within 1.4--2.8 points without an online map. After three minutes of teleoperated driving for identification, the synthetic-data-trained model transfers zero-shot to a real skid-steer robot unseen in training, navigating unseen indoor scenes.
• Abstract（参考訳）: 実現可能な自由空間と到達可能なコマンドは、それぞれのロボットの幾何学とダイナミクスに依存する。 既存のクロス・エボディメント・ポリシーは、これらの違いを無視したり、ロボットごとの訓練や蒸留を通じて補償する正規化されたコマンドを出力する。 世界モデルは原則としてクロス・エボディメントデータをプールすることができるが、コマンド条件付きモデルは潜在ダイナミクスを単一のアクション空間に結合し、ポーズ条件付きモデルはコマンドから本体固有の動作へのマッピングを省略する。 しかし、平地では、実施形態は、カメラの自我移動を通してのみ、プランナーの観察に影響を及ぼす。 本論文は,このインターフェースにおいて,身体に依存しない世界モデルと,そのエゴモーションにコマンドをマッピングするロボットの識別可能なエゴダイナミクスとを結合する,時間ガラス形状のアーキテクチャであるHourglassを提案する。 世界モデルは、エンボディメントとカメラマウントにまたがってプールされたデータに基づいて訓練される。 一般的なパラメータ条件付きポリシーは、このジャンクションで一度学習され、各ステップがテンプレートをロールアウトし、次に世界モデルをロールアウトし、各ロボットのテンプレートを通して想像力のトレーニングがポリシーを体感する。 5種類のロコモーション型7つのシミュレーションロボットにおいて、ジェネラリストポリシーは、オンラインマップのない1.4～2.8ポイント以内でパラメータ条件付きMPPI教師に近づきながら、同じ世界モデルにおける模倣学習と拡散政治のベースラインを3.8～10.6ポイント上回る。 認識のために遠隔操作された3分間の運転の後、合成データ学習されたモデルは、トレーニング中に見えない本物のスキッドステアロボットにゼロショットを転送し、見えない屋内シーンをナビゲートする。

関連論文リスト

• AtomEgo: Exploring Ego-Robot Integration for Embodied Foundation Model Pretraining [7.286498840976614]
  身体的基礎モデルは、ロボットのデモンストレーションの限られた規模と多様性に制約されている。 約2,659時間培養したコーパスで支援されたエゴロボットの協調訓練に関する系統的研究を行った。
  論文  参考訳（メタデータ） (2026-09-18T08:11:39Z)
• AnyWorld: Factorized Egocentric World Models for Cross-Embodiment Generalization [88.25615187835321]
  我々は,クロス・エボディメント・ワールド・モデリング・フレームワークであるAnyWorldを提案する。 私たちのモデルは、アクション、カメラ、エンボディメントへのインタラクションを分解します。 大規模なヒューマンインタラクション事前トレーニングでモデルをトレーニングする。
  論文  参考訳（メタデータ） (2026-08-29T12:55:15Z)
• Hydra-0: Action Flow for Generalist World Modeling and Control [64.88849745875753]
  Hydra-0はアクションフローを条件とした世界モデルであり、ロボットの動きをピクセルの動きとして表現している。 我々の最良の構成は、90.4%のロボットモーションエラー、60.2%のオブジェクトモーションエラーを達成する。 訓練されたアクションヘッドは、タスク固有の専門家ロボットのデモンストレーションを必要とせずに、得られた潜在機能を実行可能なアクションにマッピングする。
  論文  参考訳（メタデータ） (2026-08-18T17:59:30Z)
• SPACE: Enabling Learning from Cross-Robot Data Toward Generalist Policies [20.583080585659513]
  状態予測および適応コマンド実行(SPACE)フレームワークを紹介する。 SPACEは、異なる実施形態、同じ実施形態のハードウェアユニット、操作中の1つのロボット内での3段階のロボットダイナミクスの変動を処理します。 実験により、SPACEは異なる実施形態および同じ実施形態のハードウェアユニット間で収集されたデータから学習する際に、制御コマンドを直接予測するポリシーを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2026-06-23T01:32:40Z)
• Toward Hardware-Agnostic Quadrupedal World Models via Morphology Conditioning [29.296527466383242]
  我々は、一般化可能な四足歩行世界モデルをトレーニングするためのフレームワークへの一歩を踏み出した。 ロボットの工学的仕様に生成力学を明示的に規定する。 我々は、初めて、ゼロショットの一般化を可能にする世界モデルを導入し、ロコモーションの新しい形態について紹介する。
  論文  参考訳（メタデータ） (2026-04-09T21:31:24Z)
• The One RING: a Robotic Indoor Navigation Generalist [58.30694487843546]
  RING (Robotic Indoor Navigation Generalist) は、あらゆる移動ロボットを効果的な屋内セマンティックナビゲータに変えるための具体的方針である。 完全にシミュレーションで訓練されたRingは、ロボットによる大規模なランダム化を利用して、多くの現実世界のプラットフォームに堅牢な一般化を可能にする。
  論文  参考訳（メタデータ） (2024-12-18T23:15:41Z)
• Distributed Differentiable Dynamic Game for Multi-robot Coordination [5.835070654168429]
  我々は,ロボットの動作が,他者の行動にも依存する自身のダイナミクスと目的によって決定される動的ゲームとして,マルチロボット協調を定式化する。 本稿では,マルチロボット協調における前方および逆問題の効率よく解決できる分散微分可能動的ゲーム(D3G)フレームワークを開発する。
  論文  参考訳（メタデータ） (2022-07-18T19:06:18Z)
• Full-Body Visual Self-Modeling of Robot Morphologies [29.76701883250049]
  身体の内部計算モデルは、ロボットや動物が行動の計画と制御を行う能力の基礎である。 完全データ駆動型自己モデリングの最近の進歩により、マシンはタスク非依存の相互作用データから直接フォワードキネマティクスを学習できるようになった。 ここでは、フォワードキネマティクスを直接モデル化するのではなく、空間占有クエリに答えることのできる、より有用な自己モデリング形式を提案する。
  論文  参考訳（メタデータ） (2021-11-11T18:58:07Z)

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。