論文の概要: Terrain-Indexed Motion Priors and Geometric Support for Extreme Humanoid Parkour
- arxiv url: http://arxiv.org/abs/2611.08056v1
- Date: Thu, 05 Nov 2026 14:12:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-07 04:55:13.532463
- Title: Terrain-Indexed Motion Priors and Geometric Support for Extreme Humanoid Parkour
- Title（参考訳）: 極端ヒューマノイドパーキングにおける地形インデクシングの先行と幾何学的支援
- Abstract要約: 地形に適したヒューマノイドパークスキルを学習し,そのハンドニーサポートに適応するプログレッシブな模倣フレームワークを提案する。
本フレームワークは,3段階にわたる実演の役割を変化させる。
Noetix E1では、実際のポリシーを微調整せずにシミュレーションと転送で96.34%のハイブリッドな成功を達成している。
- 参考スコア（独自算出の注目度）: 2.3617961247348256
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a progressive imitation framework that learns terrain-appropriate humanoid parkour skills and subsequently adapts their hand--knee support. Human demonstrations provide traversal behaviors, but their contact patterns need not suit a robot's proportions or the available support surfaces. Our framework changes the role of demonstrations across three stages: privileged imitation produces physically executable robot references; terrain-indexed adversarial motion priors guide skill acquisition; and geometric support guidance with a reduced motion-prior weight enables contact adaptation. Candidate-based precontact attraction and actual-contact evaluation guide support without prescribing a contact sequence. The deployed policy selects behaviors from onboard depth, proprioception, and velocity commands without an external skill label. On the Noetix E1, the policy achieves 96.34\% hybrid success in simulation and transfers without real-world policy fine-tuning, completing 29 of 30 individual obstacle trials and four of five hybrid courses. Support-adaptation ablations show higher traversal success for the complete adaptation stage on the tested terrains, while qualitative observations show changes in contact placement. These results support acquiring skills from demonstrations before relaxing their influence to accommodate robot-specific support configurations.
- Abstract（参考訳）: 地形に適したヒューマノイドパーキングスキルを学習し,その後手膝支援に適応するプログレッシブな模倣フレームワークを提案する。
人間のデモンストレーションは横断的な行動を提供するが、その接触パターンはロボットの比率や利用可能な支持面に合わない。
筆者らのフレームワークは,3つの段階にまたがるデモの役割を変化させている。特権模倣は,物理的に実行可能なロボット参照を生成し,地形を指標とした対向運動の先行動作は,技術習得をガイドし,移動量を減らす幾何学的支援指導は接触適応を可能にする。
接点列を規定しない候補に基づく事前接触アトラクションと実際の接触評価ガイド支援
デプロイされたポリシーは、外部スキルラベルなしで、オンボードの深さ、プロプレセプション、ベロシティコマンドから振舞いを選択する。
Noetix E1では、実際の政策を微調整せずにシミュレーションと転送で96.34\%のハイブリッド成功を達成し、30の障害試験の29と5のハイブリッドコースの4つを完了した。
定性的観察では接触位置の変化が見られたが, 支持適応による改善は, 試験地形の完全な適応段階において高い軌道上の成功を示す。
これらの結果は、ロボット固有のサポート構成に対応するために、その影響を緩和する前に、デモからのスキル獲得を支援する。
関連論文リスト
- Kinematic-Tactile Aligned Dexterous Retargeting with Contact Wrench Space Alignment [7.445738003124337]
運動触覚整列手のための3段階の枠組みを提示する。
このフレームワークはまず手キネマティクスと接触幾何学を整列し、次に触覚力と接触幾何学から人間のレンチ支援プロファイルを構築する。
3つの注水条件におけるシミュレーションおよび実ロボット実験の枠組みを評価する。
論文 参考訳（メタデータ） (2026-10-29T08:23:58Z) - RynnWorld-Latent: A Cross-Embodiment World Model Conditioned on Universal Latent Actions [52.064217872870806]
本稿では、RynnLAMによって導入された3Dグラウンドの潜伏動作を共用条件インタフェースとして利用する、クロス・エンボディメント・ビデオワールドモデルであるRynnWorld-Latentを紹介する。
RynnWorld-Latentは、グローバルアクショントークンと、アクションを将来のビデオラテントと整合させるID-dローカルパスを組み合わせる。
論文 参考訳（メタデータ） (2026-10-27T07:54:16Z) - GPT-6-Astra Understands Touch and Outperform Vision--Tactile--Language--Action Models [51.175201003559]
汎用マルチモーダルモデルは、直接的なロボットアクションポリシーとして約束されているが、それらが現実世界の相互作用の基礎となる物理を把握しているかどうかはまだ解明されていない。
本稿では,コンタクトリッチな操作を代表的テストベッドとして用い,触覚理解をこの幅広い能力の具体例として検討する。
本稿では, GPT-as-Tactile-Policyについて紹介する。
論文 参考訳（メタデータ） (2026-10-20T16:15:02Z) - Learning Transferable World-Action Models from Task-Paired Human Videos [50.531254998484606]
タスクペアの人間による実演から学ぶクロスビデオ事前学習であるWATCHを紹介する。
我々の事前学習は、これらの能力が容易にスケーラブルな人間と人間のペアから学習できることを示しています。
ロボットのポストトレーニング前の分析では、エボディメント間の動きのアライメントが改善され、見えないロボットに対するアクションとビデオの予測が改善された。
論文 参考訳（メタデータ） (2026-10-09T21:56:03Z) - Learning Slope-Adaptive Whole-Body Locomotion for Humanoid Robots in Roofing Construction [7.644350588835671]
本研究では,Unitree G1上でのルータースタイルの全身動作を学習するためのタスクセマンティックなシーングラウンドフレームワークを提案する。
人間のデモはトラッキングシステムを使用して撮影され、ロボットに再ターゲティングされ、メトリック屋根モデルはトラッキングシステムから利用できない空間参照を提供する。
実行対応強化学習は、これらの関係を動的追跡エラー下で保存する政策を奨励する。
論文 参考訳（メタデータ） (2026-09-17T15:22:17Z) - Perceptive Behavior Foundation Model: Adapting Human Motion Priors to Robot-Centric Terrain [25.92545023668694]
我々は、ロボット中心の知覚において、人間の動きを前提とした地形認識型ヒューマノイド制御フレームワークを開発する。
我々は,視覚障害者の教師を訓練し,その地形・地形の振る舞いを生の学生に伝達する。
学生は、移動追跡を前もって保存し、必要なときにのみ局所的な補正を行うように訓練された、地形の特徴が残留経路を通り抜けるアイデンティティ付きトランスフォーマートラッカーである。
論文 参考訳（メタデータ） (2026-06-06T08:46:44Z) - SECOND-Grasp: Semantic Contact-guided Dexterous Grasping [60.1519218638742]
Second-Grasp (Semantic Contact-guided Dexterous Grasping) は、ロボットハンドが意味論的推論に基づいて把握戦略を調整できる統合されたフレームワークである。
我々のアプローチは、目に見えるカテゴリーと目に見えないカテゴリの両方で成功率を上げるために、一貫してベースラインを上回ります。
論文 参考訳（メタデータ） (2026-05-13T07:37:00Z) - 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) - Learning to Assist: Physics-Grounded Human-Human Control via Multi-Agent Reinforcement Learning [29.898955971414154]
多エージェント強化学習問題として, 密接に相互作用し, 力量変化する人間の動作系列の模倣を定式化する。
AssistMimicは、確立されたベンチマーク上でのアシストインタラクション動作の追跡に成功できる最初の方法であることを示す。
論文 参考訳（メタデータ） (2026-03-11T22:25:44Z) - 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)
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。