歩行2026/8/31arXiv:2608.30883v1

夢遊病：エンドツーエンドのブラインド歩行のための特権表現形成

SleepWalking: Privileged Representation Shaping for End-to-End Blind Locomotion in Legged Robots

部分観測下の脚式ロボット歩行において、履歴表現が特権物理量を保持するよう学習時に形成する手法SWAQを提案し、推論時の計算量を削減しつつ性能を向上させた。

詳しい要約

1. どんなもの？

本論文は、脚式ロボットのエンドツーエンドのブラインド移動（外部センサを使わない移動）における部分観測問題に取り組む。提案手法SWAQは、学習中に次のステップの特権的物理量の再構成を補助タスクとして用い、リカレントな履歴表現がタスク関連情報を保持するよう shaping する。推論時は履歴から行動への直接経路のみを使用する。

2. 先行研究と比べてどこがすごい？

既存手法は、欠落した物理変数を明示的に推定するか、構造化アーキテクチャで長い観測履歴を処理する。SWAQは、部分観測性を情報保持の問題と捉え、特権的再構成を学習信号として用いることで、デプロイ時のアーキテクチャを複雑化せずに性能を向上させる。DWAQと比較して、ピーク平均地形レベルで15.0%向上し、推論時のMACsを44.4%削減する。

3. 技術・手法の肝は？

SWAQは、ワンステージのエンドツーエンドフレームワークで、リカレントネットワークの履歴表現を、次のステップの特権的物理量の再構成を補助損失として学習する。これにより、履歴表現がタスク関連情報を保持するように shaping される。推論時は、履歴から行動への直接経路のみを使用し、特権的情報や再構成ヘッドは使用しない。理論解析により、特権的変数の回復可能性と、履歴ベースと特権情報ポリシークラス間の達成可能リターンギャップの関係を明らかにする。

4. どうやって有効だと検証した？

DWAQ（非外受容ベースライン）と比較し、ピーク平均地形レベルで15.0%向上、推論MACsを44.4%削減。また、レイヤーワイズプローブにより、再構成された物理変数に関連する情報が、行動出力の直前の層まで線形に復号可能であることを示した。

5. 議論はある？

要旨からは、SWAQの性能が特定の環境やロボットに依存する可能性、再構成タスクの設計（どの物理量を選ぶか）の影響、理論解析の前提条件などについての議論は不明。また、ブラインド移動に限定されており、外受容センサを併用する場合の有効性は不明。

6. 次に読むべき論文は？

要旨で参照されているDWAQ（strongest non-exteroceptive baseline）が次に読むべき論文。また、関連する部分観測下の強化学習や、特権的学習（privileged learning）を用いたロボティクス研究（例：teacher-student training）も関連する。

※ 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: Zheng Pan, Tenghui Wang, Peilin Li, Shiyu Zhou, Hao Sun, Yan Ma, Liang Yu, Liang He

分類: cs.RO

原文アブストラクト

Partially observable locomotion requires a policy to act when task-relevant properties of the robot--environment state are not fully specified by instantaneous observations. Existing approaches often address this challenge by explicitly estimating missing physical variables or processing extended observation histories through structured architectures. We take a different view: partial observability is fundamentally an information-retention problem. The decisive question is not how task-relevant information enters the network, but whether the policy's internal state retains it. Guided by this perspective, we propose SleepWalking for Robot Locomotion (SWAQ), a one-stage end-to-end framework that uses next-step privileged physical reconstruction to shape what a recurrent history representation retains during policy learning, while the deployed actor uses only a direct history-to-action pathway. Under aligned training settings, SWAQ achieves a 15.0\% higher peak mean terrain level than DWAQ, the strongest non-exteroceptive baseline, while using 44.4\% fewer inference MACs per control step. Layerwise probes further show that information associated with the reconstructed physical variables remains linearly decodable through the policy head up to the layer preceding the action output. Complementary theoretical analysis relates privileged-variable recoverability to the achievable-return gap between history-based and privileged-information policy classes. These results suggest that semantic objectives can structure learning without requiring a corresponding architectural decomposition of the deployed controller.

arXivで原文を読む →arXiv概要ページ