[論文レビュー] SKATER: Synthesized Kinematics for Advanced Traversing Efficiency on a Humanoid Robot via Roller Skate Swizzles

Junchi Gu, Feiyang Yuan+7 more|arXiv (Cornell University)|Jan 8, 2026

Robotic Locomotion and Control被引用数 0

ひとこと要約

論文は、足裏に4つの受動車輪を備えた25自由度 humanoid の SKATER を提案し、深層強化学習で swizzle ローラースケート歩行を学習。関節への衝撃を低減し、歩行比で輸送コストを63.34%低減、表面に対して100%のロバスト性を達成。

ABSTRACT

Although recent years have seen significant progress of humanoid robots in walking and running, the frequent foot strikes with ground during these locomotion gaits inevitably generate high instantaneous impact forces, which leads to exacerbated joint wear and poor energy utilization. Roller skating, as a sport with substantial biomechanical value, can achieve fast and continuous sliding through rational utilization of body inertia, featuring minimal kinetic energy loss. Therefore, this study proposes a novel humanoid robot with each foot equipped with a row of four passive wheels for roller skating. A deep reinforcement learning control framework is also developed for the swizzle gait with the reward function design based on the intrinsic characteristics of roller skating. The learned policy is first analyzed in simulation and then deployed on the physical robot to demonstrate the smoothness and efficiency of the swizzle gait over traditional bipedal walking gait in terms of Impact Intensity and Cost of Transport during locomotion. A reduction of $75.86\%$ and $63.34\%$ of these two metrics indicate roller skating as a superior locomotion mode for enhanced energy efficiency and joint longevity.

研究の動機と目的

• ロボット humanoid の関節摩耗とエネルギー損失を抑える低衝撃・エネルギー効率のあるローラースケート移動を Motivate する。
• 各足に4つの受動車輪を持つ25自由度 humanoid（SKATER）を開発し、swizzle スケーティングを可能にする。
• 安定した swizzle 歩行を実現する implicit gait reward とカリキュラム学習を用いる DRL 制御フレームワークを設計する。
• ドメインランダム化とパラメータ較正による sim-to-real 移行を実現し、従来の歩行と比較する。

提案手法

• タスクを有限ホライズンMDPとしてモデル化し、IsaacLab で4096個の並列シミュレーションを用いて PPO によって解く。
• アクション出力を PD コントローラとし、アクション A_t を [-1,1] に制限し、望ましい位置のためのベータスケーリングを適用する。
• ダイナミクスと慣性を捉えるために状態観測の5ステップ履歴をアクターに提供する。
• 各足裏に直径62 mm のポリウレタン車輪を4つ装備し、車輪と地面の連続的な滑りを可能にする。
• 22項目からなる多目的報酬関数を設計し、タスク追従性、対称性、エネルギー、姿勢、足の拘束条件を重視（明示的な歩行タイミングはなし）。
• 地面摩擦、質量、COM、利得、その他の物性に対してドメインランダム化を適用し、sim-to-real 移行を可能にする。

Figure 1: The SKATER system: a humanoid robot equipped with roller skates for learning swizzle locomotion through deep reinforcement learning.

実験結果

リサーチクエスチョン

• RQ1 二足 humanoid における swizzle ローラースケート歩行は歩行と比較して関節衝撃とエネルギーコストを低減できるか。
• RQ2 明示的な gait timing や軌道なしに、DRL によって安定した swizzle 歩行を発見できるか。
• RQ3 ドメインランダム化とパラメータ較正が roller-skate humanoid の sim-to-real 移行に与える影響は何か。
• RQ4 SKATER は可変地形の摩擦と表面条件に対してどれくらいロバストか。

主な発見

• swizzle 歩行はシミュレーションで歩行に比べ衝撃強度を約 75.86%低減。
• swizzle 歩行は実機での CoT を歩行と比較して 63.34%低減。
• 股関節および足首の最大ピッチトルクは、それぞれ歩行と比較して約 74% および 65–75% 減少。
• タイル、ゴム、砂利の表面での10 m 直線テストで 100% の成功率（摩擦係数 0.2–1.0）。
• 足の軌道は swizzle 形の 2D パスで、足間距離が制限され、足首角度が周期的で安定した固有歩行を示す。
• ポリシーはボード上で 50 Hz で実行され、ハードウェア上で全方向移動と障害物横断の滑走を実証。
• swizzle 時の速度追従は、従来の歩行と比較して減速が遅く、定常誤差が小さく、速度制御の違いを示す。

Figure 2: Deep reinforcement learning control framework for SKATER. The policy network processes proprioceptive and exteroceptive sensor data to generate joint-level commands, enabling adaptive roller skate swizzle locomotion.