論文の概要: ROOF: Learning Humanoid Fall Recovery under Overhead Constraints

• arxiv url: http://arxiv.org/abs/2610.42097v2
• Date: Mon, 02 Nov 2026 16:31:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 02:41:45.02801
• Title: ROOF: Learning Humanoid Fall Recovery under Overhead Constraints
• Title（参考訳）: ROOF: オーバーヘッド制約下でのヒューマノイドのフォールリカバリ学習
• Abstract要約: 接触支援型幾何避難誘導を用いた強化学習手法を提案する。 障害をクリアするタイミング、サポートの確立方法、上昇を完了するタイミングを学ぶための、単一の方針を形作るのです。 ユニツリーG1では、7つの現実世界の障害物シーンを横断する150回の試験のうち95回に展開されたポリシーが回復した。
• 参考スコア（独自算出の注目度）: 26.61751368340528
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A fallen humanoid beneath an overhead obstacle faces a coupled recovery problem. It must create clearance while organizing support for a stable rise, since attempting to stand before making room can further increase obstruction. We introduce a reinforcement learning method with contact-supported geometric escape guidance, which rewards incremental reduction of robot-obstacle overlap without prescribing an escape path. To achieve this, a learned motion prior, together with posture-dependent support and joint-stall costs, is proposed to shape a single policy that learns when to clear the obstacle, how to establish support, and when to complete the rise, all using proprioception alone. In simulation, it recovers in 88.5% of trials beneath plates that can only be lifted, compared with 18.9% without geometric guidance, and in 98.6% of trials beneath free plates with randomized size, mass and placement. On a Unitree G1, the deployed policy recovered in 95 of 150 attempts across seven real-world obstacle scenes, including furniture and multi-object arrangements absent from training. Project page: https://lu-yidan.github.io/ROOF/
• Abstract（参考訳）: 頭上障害の下に倒れたヒューマノイドは、結合した回復問題に直面します。 部屋を建てる前に立とうとすると、さらに障害が増す可能性があるため、安定した立ち上がりのサポートを組織化しながらクリアランスを創出する必要がある。 本研究では,接触支援型幾何学的脱出誘導を用いた強化学習手法を導入し,脱出経路を規定することなくロボットと障害物の重なりを漸進的に減少させる手法を提案する。 これを実現するために, 姿勢依存的支援と共同安定コストとともに, 障害の解消時期, 支援の確立方法, 立ち上がりの完了時期を学習する単一方針を策定することを提案した。 シミュレーションでは、持ち上げられるプレートの88.5%、幾何学的ガイダンスのない18.9%、ランダム化サイズ、質量、配置のフリープレートの98.6%の試験で回復する。 ユニツリーG1では、実世界の7つの障害物シーンを横断する150回のテストのうち95回に展開されたポリシーが復活した。 プロジェクトページ: https://lu-yidan.github.io/ROOF/

関連論文リスト

• Recova: Agent-Guided Failure Recovery for Autonomous Robotic Manipulation [104.46042352396563]
  Recovaはエージェント誘導型フレームワークで、再構築されたデジタルツインでタスク実行とリカバリを共同で開発する。 双子では、エージェントは障害を診断し、修正プログラムをテストし、異なるポリシーのために正常なタスクとリカバリのロールアウトを収集する。 適切なリカバリが得られない場合、人間のデモによって障害が解決され、システムがリカバリ機能を拡張することができる。
  論文  参考訳（メタデータ） (2026-10-01T06:52:05Z)
• Natural Sit-to-Stand Motion Synthesis For Humanoids via Guided Assistance Curricula and Staged Rewards [0.0]
  政策は3つの相補的なコンポーネントによって駆動される、スムーズで人間のような上昇を学習する。 政策は8つの椅子の高さで97%以上のバランスの取れた成功を達成した。
  論文  参考訳（メタデータ） (2026-08-21T07:44:00Z)
• Robust Fall Recovery for Armless Bipedal-Wheeled Robots Via Force-Guided Learning [13.56238998710442]
  いくつかのヒューマノイドと四肢は、腕を利用して様々な姿勢から回復したり、複数の脚を調整して支援力を発生させることで回復することができる。 両輪ロボットは、腕や他の脚がなければ、足の動きにのみ依存しなければならない。 FTSR(Force-guided Teacher-Student framework with Stage-wise Rewards)を導入してこの問題に対処する。
  論文  参考訳（メタデータ） (2026-06-12T08:51:51Z)
• PTDL:Multi-Terrain Fall Recovery via Phase-Terrain Decoupled Learning [13.93626645001]
  人型ロボットは、非構造環境の斜面、砂利、不均一な地面に落下することがある。 本稿では、位相軸と地形軸に沿って訓練の監督を分離する位相領域分離学習(PTDL)を提案する。 平地,砂利,斜面をまたいだ29-DoFユニツリーG1上のPTDLをシミュレーションおよびハードウェア上で最大20度検証する。
  論文  参考訳（メタデータ） (2026-06-08T02:01:08Z)
• LadderMan: Learning Humanoid Perceptive Ladder Climbing [56.550077812088404]
  textbfLadderManは、ヒューマノイドロボットが多様なはしごを強く登ることができる統一システムである。 当社の登山ポリシーはスケーラブルな2段階学習パイプライン上に構築されており、複数の登山専門家を学習するためにハイブリッドモーショントラッキングを使用します。 さらに、デュアルエージェントの定式化を用いて個別の操作ポリシーを訓練し、遠隔操作による安定した on-ladder 操作を可能にする。
  論文  参考訳（メタデータ） (2026-06-04T08:47:08Z)
• RecoverFormer: End-to-End Contact-Aware Recovery for Humanoid Robots [5.584060970507507]
  完全エンドツーエンドのヒューマノイド回復ポリシーであるRECOVERFORMERを提案する。 回復行動の中で、いつ、どのように切り替えるかを学ぶ。 このアーキテクチャは、50ステップの観測履歴に2つの新しい頭を持つ因果変換器を組み合わせたものである。
  論文  参考訳（メタデータ） (2026-04-24T17:52:06Z)
• BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
  マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。 両課題に対処する統合フレームワークであるBadCLIP++を提案する。 ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。 持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
  論文  参考訳（メタデータ） (2026-02-19T08:31:16Z)
• 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)
• FLaRe: Achieving Masterful and Adaptive Robot Policies with Large-Scale Reinforcement Learning Fine-Tuning [74.25049012472502]
  FLaReは、堅牢な事前訓練された表現、大規模なトレーニング、勾配安定化技術を統合する大規模な強化学習フレームワークである。 提案手法は,タスク完了に向けた事前訓練されたポリシーを整列し,これまで実証され,全く新しいタスクや実施状況において,最先端(SoTA)のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-09-25T03:15:17Z)

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。