足元を見据える：ヒューマノイド歩行のための予測的知覚

- ヒューマノイドの perceptive locomotion 向けの新しい知覚前処理手法を提案する研究。 - 従来は dense な robot-centric elevation map 全体を policy に与えていたが、本手法は FPM (foothold prediction model) で予測した将来の foothold 周辺のみを小さな patch でサンプリングして policy に渡す。 - FPM は proprioception と velocity command のみから将来の foothold を予測する軽量モデル。 - 知覚入力を削減することで学習効率と汎化性能の向上を狙う。

- 従来の learned encoder は視覚入力全体を圧縮し、policy が重要入力を学習中に自力で見つける必要があり、学習が遅く汎化も難しい。 - 本手法は冗長入力を policy に入力する前に除去する点が異なる。 - 完全な map を用いる policy より foothold が疎な環境(狭い壁付き corridor など)や未見地形で優れる。 - 数倍のコストで学習した attention-based encoder と同等の性能を、軽量な前処理で達成。 - 同じ地形難度に約 1/3 の学習反復で到達。

- FPM (foothold prediction model) が proprioception と velocity command のみから将来の foothold を予測。 - 予測された foothold 周辺の小さな patch のみ elevation map からサンプリングし、policy の知覚入力とする。 - FPM は locomotion policy と並行して学習され、gait の成熟に合わせて新しい policy rollouts で定期的に再学習される。 - これにより知覚が policy の踏み位置を先読みし、policy はその周辺の地形情報を活用することを学習。

- 完全な map を用いる policy と比較し、同じ地形難度への到達に必要な学習反復が約 1/3 であることを示す。 - foothold が疎な環境(狭い壁付き corridor を含む)や未見地形で、完全 map の policy を上回ることを示す。 - 数倍のコストで学習した attention-based encoder と同等であることを示す。 - Unitree G1 humanoid への zero-shot transfer を、屋内・屋外で訓練分布外の障害物・階段・gap・step-down を踏破して検証。

- 要旨からは不明(具体的な限界や失敗ケース、FPM の予測誤差の影響などは記述されていない)。 - 示唆として、知覚入力を foothold 周辺に限定する設計が疎な foothold 環境で有効である一方、予測が外れる状況への頑健性は要旨では言及されていない。

- attention-based encoder を用いた perceptive locomotion の研究(要旨で比較対象として言及)。 - learned encoder で elevation map 全体を圧縮する perceptive locomotion の先行研究(要旨で言及)。 - Unitree G1 を用いた humanoid locomotion の研究(検証プラットフォームとして言及)。 - foothold prediction や terrain-aware footstep planning に関する研究(関連手法として)。