日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

歩行arXiv:2602.07932

複数の特化型歩行ポリシーに対する実行可能性誘導型プランニング

Feasibility-Guided Planning over Multi-Specialized Locomotion Policies

シェア:XThreadsFacebookLINEはてブBluesky

地形ごとに特化した複数の歩行ポリシーを、Feasibility-Netで予測した実行可能性を指標に統合し、古典的プランナで最適経路を生成する枠組みを提案した。

詳しい要約

1. どんなもの?

- 不整地での legged robotics の planning 課題に対し、複数の terrain-specific locomotion policies を統合する feasibility-guided planning framework を提案。 - 各 policy に Feasibility-Net を組み合わせ、local elevation maps と task vectors から feasibility tensors を予測。 - これにより classical planning algorithms が最適経路を導出可能。 - シミュレーションと実世界実験で、多様で困難な地形での信頼性の高い計画を生成し、基盤 policy の能力と一致することを示す。

2. 先行研究と比べてどこがすごい?

- 従来の planners は skill-specific policies を統合できない。 - hierarchical learning frameworks は interpretability を失い、新しい policies の追加ごとに retraining が必要。 - 提案手法はこれらの制約を克服し、複数の terrain-specific policies を組み込み可能。 - 再学習不要で classical planning algorithms を活用できる点が優位。

3. 技術・手法の肝は?

- 各 locomotion policy に Feasibility-Net をペアリング。 - Feasibility-Net は local elevation maps と task vectors に基づき feasibility tensors を学習・予測。 - 予測された feasibility tensors を classical planning algorithms に統合し、最適経路を導出。 - これにより policy の能力に沿った計画が可能。

4. どうやって有効だと検証した?

- シミュレーションと実世界実験の両方で検証。 - 多様で困難な地形において、効率的で信頼性の高い計画を生成。 - 計画が基盤 policy の能力と常に一致することを確認。

5. 議論はある?

- 要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究: reinforcement learning による locomotion strategies、traditional planners、hierarchical learning frameworks。 - 関連手法: classical planning algorithms、Feasibility-Net。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Ying-Sheng Luo, Lu-Ching Wang, Hanjaya Mandala, Yu-Lun Chou, Guilherme Christmann, Yu-Chung Chen, Yung-Shun Chan, Chun-Yi Lee, Wei-Chao Chen

分類: cs.RO

原文アブストラクト

Planning over unstructured terrain presents a significant challenge in the field of legged robotics. Although recent works in reinforcement learning have yielded various locomotion strategies, planning over multiple experts remains a complex issue. Existing approaches encounter several constraints: traditional planners are unable to integrate skill-specific policies, whereas hierarchical learning frameworks often lose interpretability and require retraining whenever new policies are added. In this paper, we propose a feasibility-guided planning framework that successfully incorporates multiple terrain-specific policies. Each policy is paired with a Feasibility-Net, which learned to predict feasibility tensors based on the local elevation maps and task vectors. This integration allows classical planning algorithms to derive optimal paths. Through both simulated and real-world experiments, we demonstrate that our method efficiently generates reliable plans across diverse and challenging terrains, while consistently aligning with the capabilities of the underlying policies.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  3. 3GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI