歩行2026/9/14arXiv:2609.15770

JEPLO: LiDARベース脚式移動のための結合埋め込み予測学習

JEPLO: Joint-Embedding Predictive Learning for LiDAR-Based Legged Locomotion

LiDARの生スキャンから自己中心的な地形表現を予測学習し、地図構築なしで脚式ロボットの知覚移動を実現する単段階フレームワークを提案。シミュレーションから実機への転移に成功し、遮蔽やノイズに頑健な omnidirectional な移動を可能にした。

詳しい要約

1. どんなもの？

- LiDARベースの脚式ロボットの知覚移動のための単一段階学習フレームワークJEPLOを提案。 - マッピング不要で、オンボードの生LiDARスキャンから自己中心的な地形表現を学習。 - シミュレーションで深層強化学習を用いて移動ポリシーを訓練し、sim-to-real転移を実現。 - 長い階段や高い箱を含む多様な地形の全方向移動を、軽量なオンボード計算で可能に。

2. 先行研究と比べてどこがすごい？

- 既存のLiDARベースのアプローチは明示的なマッピングに依存することが多いが、JEPLOはマッピング不要。 - 既存の知覚移動フレームワークと比較して、オクルージョン、スパース性、ノイズによる知覚劣化下でより高いロバスト性を示す。 - RGB-Dセンシングに比べて未探索だったLiDARベースの知覚移動に取り組む。

3. 技術・手法の肝は？

- 固有受容感覚と外受容感覚を統合したJEPA世界モデル（PE-JEPA）を導入し、オンボード観測から予測的な自己中心的地形表現を学習。 - 並行JEPA-teacher-student（CJTS）パイプラインを提案し、JEPA潜在表現に基づく移動ポリシーをシミュレーションで深層強化学習により訓練。 - シンプルな報酬設計を採用。

4. どうやって有効だと検証した？

- シミュレーションで訓練し、sim-to-real転移を実現。 - 長い階段や高い箱を含む多様な地形の全方向移動を実証。 - オクルージョン、スパース性、ノイズによる知覚劣化下でのロバスト性を評価し、既存フレームワークより優れることを示す。 - これらの困難な条件下でタスク関連情報を保持する能力を分析により検証。

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は明示されていないが、関連手法としてJEPA（Joint-Embedding Predictive Architecture）、既存のLiDARベース知覚移動フレームワーク、RGB-Dベースの知覚移動アプローチが挙げられる。

※ 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: Qihao Yuan, Yixuan Qiu, Ziyu Cao, Ming Cao, Kailai Li

分類: cs.RO

原文アブストラクト

Light detection and ranging (LiDAR) remains less explored than RGB-D sensing for perceptive legged locomotion, and existing LiDAR-based approaches often rely on explicit mapping. We present JEPLO (Joint-Embedding Predictive learning for legged LOcomotion), a single-stage learning framework for mapping-free, LiDAR-based perceptive locomotion for legged robots. We introduce a proprio-exteroceptive JEPA (PE-JEPA) world model to learn predictive egocentric terrain representations from onboard observations, including raw LiDAR scans. A concurrent JEPA-teacher-student (CJTS) pipeline is further proposed to train a locomotion policy informed by JEPA latent representations in simulation using deep reinforcement learning with a simple reward formulation. The framework achieves successful sim-to-real transfer, enabling omnidirectional traversal of diverse terrains, including long staircases and high boxes, with lightweight onboard computation. Evaluations demonstrate greater robustness than existing perceptive locomotion frameworks, particularly under degraded perception caused by occlusion, sparsity and noise. Further analysis validates JEPLO's ability to retain task-relevant information under these challenging conditions. We open-source our implementation, experimental datasets, and hardware setup designs https://github.com/ASIG-X/JEPLO.

arXivで原文を読む →arXiv概要ページ