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:2606.05880

TAGA: 地形認識に基づく能動的注視学習による汎用俊敏人型ロコモーション

TAGA: Terrain-aware Active Gaze Learning for Generalizable Agile Humanoid Locomotion

シェア:XThreadsFacebookLINEはてブBluesky

人間が歩行中に地形の関連箇所を選択的に見る仕組みに着想を得て、視覚・固有感覚・運動指令を統合し、高さスキャンの特定領域へ能動的に注意を向ける学習フレームワークを提案。強化学習のみで注視行動が創発し、実機で1.2mのギャップ横断など汎用的で頑健な歩行を実現した。

詳しい要約

1. どんなもの?

- タイトル: TAGA: Terrain-aware Active Gaze Learning for Generalizable Agile Humanoid Locomotion - 目的: 多様な地形での俊敏なヒューマノイド移動 - 特徴: 地形認識能動的注視学習フレームワーク - 手法: 視覚・固有感覚・運動コマンドを融合 - 効果: 高さスキャンの特定領域に能動的に注意 - 結果: シミュレーションと実機で堅牢な移動を実現

2. 先行研究と比べてどこがすごい?

- 先行研究: 知覚的ヒューマノイド移動システム - 比較: 最大の実世界ギャップ走破距離1.2mを報告 - 利点: 広い知覚範囲と精密な局所形状理解を両立 - 効率: 強化学習のみで注視行動が自然に出現し訓練効率向上 - 制約: オンボード計算制約下で情報密度を適応的に増加

3. 技術・手法の肝は?

- フレームワーク: TAGA (Terrain-aware Active Gaze learning) - 入力: 視覚、固有感覚、運動コマンドを融合 - メカニズム: 高さスキャンの特定領域に能動的に注意 - 学習: 強化学習のみで注視行動が出現、追加監督不要 - 出力: 下流ネットワークで情報領域を選択的に使用

4. どうやって有効だと検証した?

- シミュレーション: 堅牢で汎化可能な移動を実証 - 実機: ハードウェア上で検証 - タスク: 地形認識フットホールド選択、高台走破、疎なフットホールド走破 - 距離: 実世界ギャップ走破1.2mを達成 - ロバスト性: severe perceptual disturbances and environmental interference下で安定性維持

5. 議論はある?

- 注視行動: 強化学習のみで自然に出現 - 効率: 訓練効率を大幅に改善 - 制約: オンボード計算制約下で情報密度を増加 - 限界: 要旨からは不明 - 将来: 要旨からは不明

6. 次に読むべき論文は?

- 関連研究: 知覚的ヒューマノイド移動システム - 比較対象: 最大実世界ギャップ走破距離1.2mの先行研究 - 手法: 強化学習ベースの移動制御 - 分野: ヒューマノイドロボティクス、地形認識移動 - 定番: 注意機構を用いたロボット制御

※ 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: Peizhuo Li, Hongyi Li, Mingfeng Fan, Fangzhou Xu, Shuhao Liao, Yuxuan Ma, Zicheng Zeng, Ze Wang, Yongbin Jin, Yuhong Cao, Hongtao Wang, Guillaume Sartoretti

分類: cs.RO

原文アブストラクト

Agile humanoid locomotion across diverse challenging terrain demands both wide perceptual coverage and precise local geometry understanding. Motivated by the way humans selectively look at relevant terrain during locomotion, we introduce TAGA, a Terrain-aware Active Gaze learning framework for Attention-based humanoid control. By fusing vision, proprioception, and motion commands, our framework guides the model to learn anticipatory cues and actively attend to specific areas of the height scan, selectively using these informative regions for the downstream network. This adaptively increases the information density of observations under tight onboard computational constraints, thus enabling fine-grained perceptive locomotion over larger-scale terrains. We find that such gaze behaviors can naturally emerge through reinforcement learning alone, without requiring additional supervision or explicit guidance, significantly improve training efficiency. As a result, the trained policy demonstrates robust and generalizable locomotion in simulation and on hardware, including reliable terrain-aware foothold selection, elevated-platform traversal, competitive sparse-foothold traversal, and the largest reported real-world gap traversal distance of 1.2m among perceptive humanoid locomotion systems, while maintaining stability under severe perceptual disturbances and environmental interference.

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. 2GXO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
  3. 3newmo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
  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