汎用形態制御/リカレントネットワーク2026/9/16arXiv:2609.18359

RecMorph: トポロジー誘導型空間リカレンスによる汎用形態制御

RecMorph: Topology-Guided Spatial Recurrence for Generalized Morphology Control

身体の運動木構造を深さ優先探索で系列化し、双方向リカレント計算で脚間通信と表現変換を同時に行う汎用形態制御ポリシーを提案。最大30脚の未見形態や四脚ロボット実機に汎化する。

詳しい要約

1. どんなもの？

- 単一の policy で異なる身体構造のロボットを制御する Generalized Morphology Control のための手法。 - 名前は RecMorph。 - topology-guided spatial recurrent architecture を提案。 - kinematic tree を depth-first traversal で morphology-derived sequence に変換。 - 共有された bidirectional transitions で limb 情報を変換し action decoding を行う。 - 5つの UNIMAL タスクと quadruped 設定で評価。

2. 先行研究と比べてどこがすごい？

- 既存の communication mechanisms は cross-limb communication と representation transformation を部分的にしか満たさない。 - RecMorph は recurrent sequence computation で両者を同時に実行。 - 評価された generalized morphology controllers の中で最も強い mean final training performance を達成。 - FT で最高の measured inference throughput。 - 最大30 limbs の未見の身体や variation に汎化。 - quadruped 設定で nominal/high friction 下の macro-averaged performance が最良。 - specialist MLPs 比で nominal velocity RMSE を43.5%削減。 - 単一の shared policy が Go1/Go2 で40回の physical trial…

3. 技術・手法の肝は？

- topology-guided spatial recurrent architecture。 - depth-first traversal により kinematic tree を morphology-derived sequence に変換。 - その sequence 上で shared bidirectional transitions が limb 情報を段階的に変換。 - action decoding の前に変換を実施。 - Residual preservation、RMS normalization、input-dependent channel modulation で繰り返しの spatial transformation を安定化。 - 固定の model width と depth で linear token complexity を実現。

4. どうやって有効だと検証した？

- 5つの UNIMAL tasks で評価。 - 評価された generalized morphology controllers の中で最高の mean final training performance。 - FT で最高の measured inference throughput。 - 未見の variation と最大30 limbs の身体への汎化を確認。 - 代表的な generalized controllers を UNIMAL benchmarks から four-platform quadruped setting へ移行。 - nominal および high friction 下で最高の macro-averaged performance。 - nominal velocity RMSE を specialist MLPs 比で43.5%削減。 - 単一の shared policy が Go1/Go2 で40回の physical trials を転倒なしで完了。

5. 議論はある？

- topology-guided recurrent transformation が Generalized Morphology Control のための効果的かつ効率的な communication mechanism であることを示す。 - procedural bodies から physical robot platforms へ移行しても有効であることを示す。 - 要旨からは、限界や失敗事例、計算コストの詳細な議論は不明。

6. 次に読むべき論文は？

- 要旨で参照/比較されている研究: UNIMAL benchmarks、generalized morphology controllers、specialist MLPs、Go1/Go2。 - 関連手法として、generalized morphology control における communication mechanisms や morphology-aware architectures を扱う研究が次に読むべき候補。 - 具体的な論文名は要旨からは不明。

※ 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: Quanrui Rao, Yong Liu, Xueming Xiao, Yingbo Luo, Kun Wu, Zhenyu Xu, Meibao Yao

分類: cs.RO, cs.LG

原文アブストラクト

Generalized morphology control requires a single policy to transform information across limbs with different physical roles, coordinate whole-body motion, and remain efficient as body size grows. Existing communication mechanisms address these requirements only partially. We introduce RecMorph, a topology-guided spatial recurrent architecture that uses recurrent sequence computation to jointly perform cross-limb communication and representation transformation. A depth-first traversal converts the kinematic tree into a morphology-derived sequence, along which shared bidirectional transitions progressively transform limb information before action decoding. Residual preservation, RMS normalization, and input-dependent channel modulation stabilize this repeated spatial transformation, yielding linear token complexity at fixed model width and depth. Across five UNIMAL tasks, RecMorph achieves the strongest mean final training performance among the evaluated generalized morphology controllers and the highest measured inference throughput on FT, while generalizing to unseen variations and bodies with up to 30 limbs. We further migrate representative generalized controllers from UNIMAL benchmarks to a four-platform quadruped setting. RecMorph achieves the best macro-averaged performance under nominal and high friction, reduces nominal velocity RMSE by 43.5% relative to specialist MLPs, and one shared policy completes 40 physical Go1/Go2 trials without falls. These results show that topology-guided recurrent transformation provides an effective and efficient communication mechanism for Generalized Morphology Control and remains effective when transferred from procedural bodies to physical robot platforms. Code and experimental resources are publicly available at https://github.com/quanruirao/RecMorph.

arXivで原文を読む →arXiv概要ページ

← 論文一覧