強化学習による四脚ロボットの動的跳躍と歩行

- 本論文は、四脚ロボット `Olympus` のための強化学習フレームワークを提案している。 - 垂直跳びと水平跳びのポリシーを別々に学習し、歩行ポリシーと組み合わせることで動的な移動能力を実現する。 - カリキュラムベースのアプローチを採用し、高精度かつ高性能な跳躍を目指す。 - シミュレーションから実機への転移（Sim2Real）を検証し、水平跳び最大1.25 m、垂直跳び最大1.0 mを達成。 - 最小限の変更で全方向跳躍も学習可能であることを示す。

- 従来の研究と比較して、跳躍性能が向上している（具体的な比較対象は要旨からは不明）。 - 参照軌道に依存せずに動的跳躍行動の探索を加速する手法を導入。 - 報酬の稠密化により、スパースな跳躍報酬を効果的に学習。 - 歩行ポリシーと組み合わせることで、多様な地形での歩行と跳躍を統合。 - 実機実験で高い精度（センチメートル単位）を達成し、Sim2Realギャップを克服。

- 跳躍報酬の稠密化：放物運動の法則を利用して、スパースな跳躍報酬を密にする。 - 参照状態初期化スキーム：参照軌道なしで動的跳躍行動の探索を加速するために、初期状態を参照状態に設定。 - 垂直跳びと水平跳びに別々のポリシーを学習し、歩行ポリシーと組み合わせる。 - カリキュラムベースの強化学習フレームワークを採用。 - 全方向跳躍への拡張も可能な柔軟な設計。

- 様々な地形表面での歩行を検証。 - 跳躍性能が従来研究を上回ることを実証。 - 実機実験により、水平跳び最大1.25 m（センチメートル精度）、垂直跳び最大1.0 mを達成。 - Sim2Realギャップを効果的に克服できることを示した。 - 全方向跳躍の学習可能性も検証。

- 要旨からは不明。 - ただし、跳躍精度や汎化性能、実機での安定性に関する議論が想定される。 - 全方向跳躍への拡張性についても言及されている。

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として、カリキュラムベース強化学習、Sim2Real転移、四脚ロボットの動的移動に関する定番研究（例：ANYmal、MIT Cheetahの跳躍研究）が挙げられる。 - 具体的な論文名は要旨からは不明。