論文の概要: Autonomous Trail Racing with a Bicycle Robot
- arxiv url: http://arxiv.org/abs/2611.15280v1
- Date: Wed, 11 Nov 2026 10:10:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.099402
- Title: Autonomous Trail Racing with a Bicycle Robot
- Title(参考訳): 自転車用ロボットによる自動トレイルレース
- Abstract要約: 地形のセマンティックな層としてトレイルを符号化することで,高速で自律的な経路ナビゲーションを実現することができることを示す。
シミュレーションでは、このレイヤがナビゲーションタスクをトレーニング環境に埋め込んでおり、展開中にカメラとLiDARデータから再構成される。
このUltra Mobility Vehicle(UMV)は、長さ1キロの無構造マウンテンバイクトレイルの全区間を自律走行する自転車ロボットだ。
- 参考スコア(独自算出の注目度): 33.04235179324879
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Navigating off-road trails on a mountain bike requires diverse locomotion skills, including aerial maneuvers, cornering, and slip recovery, paired with sophisticated perception for scene understanding. Translating these capabilities to autonomous, two-wheeled robots remains a formidable challenge. We show that autonomous, high-speed trail navigation can be achieved through a single idea: encoding the trail as a semantic layer of the terrain. In simulation, this layer embeds the navigation task into the training environment; during deployment, it is reconstructed onboard from camera and LiDAR data. First, we introduce a unified learning framework that treats local navigation and locomotion as a joint optimization problem, bypassing the twist or pose command interface of classical control hierarchies. With fixed reward weights, the same framework produces both trail racing and agile parkour, shaped only through terrain semantics and episode length. Second, our perception pipeline combines a frozen vision foundation model with a lightweight dual-head decoder that predicts per-pixel terrain semantics and confidence scores, which are fused with LiDAR range measurements into an egocentric semantic elevation map at 30 Hz onboard an NVIDIA AGX Orin. We validate our framework on the Ultra Mobility Vehicle (UMV), a bicycle robot that autonomously raced across all sections of a kilometer-long, unstructured mountain bike trail at speeds exceeding 5 m/s and averaging 3.26 m/s. In simulation, our policy fails up to an order of magnitude less often than hierarchical baselines while driving faster.
- Abstract(参考訳): マウンテンバイクでオフロードトレイルを走行するには、空中操縦、コーナーニング、スリップリカバリなど様々な移動技術が必要であり、シーン理解のための洗練された認識と組み合わせている。
これらの機能を自律二輪ロボットに翻訳することは、まだまだ難しい課題だ。
地形のセマンティックな層としてトレイルを符号化することで、自律的で高速なトレイルナビゲーションを実現することができることを示す。
シミュレーションでは、このレイヤがナビゲーションタスクをトレーニング環境に埋め込んでおり、展開中にカメラとLiDARデータから再構成される。
まず、局所的なナビゲーションと移動を協調最適化問題として扱い、古典的な制御階層のツイストやポーズのコマンドインターフェースをバイパスする統合学習フレームワークを導入する。
固定された報酬重量で、同じフレームワークは、地形のセマンティクスとエピソードの長さによってのみ形成される、トレイルレースとアジャイルパークアの両方を生成する。
第2に、私たちの知覚パイプラインは、凍結した視覚基盤モデルと、ピクセルごとの地形意味と信頼スコアを予測する軽量なデュアルヘッドデコーダを組み合わせることで、NVIDIA AGX Orin上で30Hzのエゴセントリックなセマンティックな標高マップにLiDARレンジの測定を融合させます。
筆者らはUltra Mobility Vehicle(UMV)の枠組みを検証した。Ultra Mobility Vehicle(UMV)は、長さ1kmの無構造マウンテンバイクトレイルの全区間を、速度5m/s、平均3.26m/sで自律走行する自転車ロボットだ。
シミュレーションでは、我々のポリシーは、高速に運転しながら、階層的なベースラインよりも桁違いに少ない頻度で失敗する。
関連論文リスト
- Robostral Navigate [138.74472687550374]
Robostral Navigateは、大規模なナビゲーションシステムのための視覚言語モデルである。
モノラルなRGB画像のストリームのみを消費し、現在のカメラビューの次のターゲット位置を指して、ウェイポイントを予測する。
我々は、実世界のデータ収集への依存を減らすため、350kのシミュレートされたシーンに240万のトラジェクトリを生成します。
論文 参考訳(メタデータ) (2026-07-22T23:13:05Z) - RPL: Learning Robust Humanoid Perceptive Locomotion on Challenging Terrains [53.674116167774095]
本研究では,挑戦的な地形上での多方向移動を可能にする2段階トレーニングフレームワークを提案する。
RPLは、高度マップの観察を特権化した専門家のポリシーを訓練し、分離された移動と操作のスキルを習得する。
次に、複数の深度カメラを活用して広い視野をカバーできるトランスフォーマーポリシーを作成します。
スケーラブルな深度蒸留のために、動的ロボットメッシュと静的な地形メッシュの両方に対してレイキャストを行う効率的なマルチ深度システムを開発した。
論文 参考訳(メタデータ) (2026-02-03T02:17:08Z) - 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) - Spatial Retrieval Augmented Autonomous Driving [81.39665750557526]
既存の自動運転システムは、環境認識のためのセンサーに頼っている。
本稿では,オフラインで取得した地理画像を付加入力として導入する空間検索パラダイムを提案する。
この新しい自動運転パラダイムのさらなる研究のために、データセットキュレーションコード、データ、ベンチマークをオープンソースにします。
論文 参考訳(メタデータ) (2025-12-07T14:40:49Z) - RoadRunner M&M -- Learning Multi-range Multi-resolution Traversability Maps for Autonomous Off-road Navigation [12.835198004089385]
RoadRunner (M&M) はエンドツーエンドの学習ベースのフレームワークで、さまざまな範囲のトレーバービリティと標高マップを直接予測する。
RoadRunner M&Mは、標高マッピングで最大50%の大幅な改善と、RoadRunner上でのトラバーサビリティ推定で30%の大幅な改善を実現している。
論文 参考訳(メタデータ) (2024-09-17T07:21:03Z) - RoadRunner -- Learning Traversability Estimation for Autonomous Off-road Driving [13.101416329887755]
我々は、カメラとLiDARセンサーの入力から直接地形変動を予測できるフレームワークであるRoadRunnerと、標高マップを提示する。
RoadRunnerは、センサ情報、不確実性の処理、コンテキスト情報による予測の生成を融合させることで、信頼性の高い自律ナビゲーションを可能にする。
我々は,非構造砂漠環境を通した複数の現実の運転シナリオにおいて,安全かつ信頼性の高いオフロードナビゲーションを実現する上で,ロードランナーの有効性を実証する。
論文 参考訳(メタデータ) (2024-02-29T16:47:54Z) - How Does It Feel? Self-Supervised Costmap Learning for Off-Road Vehicle
Traversability [7.305104984234086]
オフロード環境における地形の移動性の推定には、ロボットとこれらの地形の間の複雑な相互作用のダイナミクスを推論する必要がある。
本研究では,外外環境情報と固有地形相互作用フィードバックを組み合わせることで,トラバーサビリティのコストマップを予測する手法を提案する。
論文 参考訳(メタデータ) (2022-09-22T05:18:35Z) - Coupling Vision and Proprioception for Navigation of Legged Robots [65.59559699815512]
我々は視覚と受容の相補的な強みを利用して、脚のあるロボットでポイントゴールナビゲーションを実現する。
車輪付きロボット(LoCoBot)のベースラインよりも優れた性能を示す。
また,センサーと計算能力を備えた四足歩行ロボットに,我々のシステムを実環境に展開することも示す。
論文 参考訳(メタデータ) (2021-12-03T18:59:59Z)
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。