論文の概要: Learning Aerodynamics for the Control of Flying Humanoid Robots

• arxiv url: http://arxiv.org/abs/2506.00305v1
• Date: Fri, 30 May 2025 23:27:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 01:42:09.177666
• Title: Learning Aerodynamics for the Control of Flying Humanoid Robots
• Title（参考訳）: 空飛ぶヒューマノイドロボットの制御のための空力学の学習
• Authors: Antonello Paolino, Gabriele Nava, Fabio Di Natale, Fabio Bergonti, Punith Reddy Vanteddu, Donato Grassi, Luca Riccobene, Alex Zanotti, Renato Tognaccini, Gianluca Iaccarino, Daniele Pucci,
• Abstract要約: 空飛ぶヒューマノイドロボットは、特に空気力学的力によって、モデリングと制御の課題に直面している。 技術的貢献には、ジェットエンジンのヒューマノイドロボットであるiRonCub-Mk1の機械設計が含まれる。 この科学的貢献は、古典的および学習技術を用いて空気力学的力をモデル化し、制御するための包括的なアプローチを提供する。
• 参考スコア（独自算出の注目度）: 11.791887356425491
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robots with multi-modal locomotion are an active research field due to their versatility in diverse environments. In this context, additional actuation can provide humanoid robots with aerial capabilities. Flying humanoid robots face challenges in modeling and control, particularly with aerodynamic forces. This paper addresses these challenges from a technological and scientific standpoint. The technological contribution includes the mechanical design of iRonCub-Mk1, a jet-powered humanoid robot, optimized for jet engine integration, and hardware modifications for wind tunnel experiments on humanoid robots for precise aerodynamic forces and surface pressure measurements. The scientific contribution offers a comprehensive approach to model and control aerodynamic forces using classical and learning techniques. Computational Fluid Dynamics (CFD) simulations calculate aerodynamic forces, validated through wind tunnel experiments on iRonCub-Mk1. An automated CFD framework expands the aerodynamic dataset, enabling the training of a Deep Neural Network and a linear regression model. These models are integrated into a simulator for designing aerodynamic-aware controllers, validated through flight simulations and balancing experiments on the iRonCub-Mk1 physical prototype.
• Abstract（参考訳）: マルチモーダル移動ロボットは多様な環境における汎用性から,活発な研究分野である。 この文脈では、追加のアクチュエーターは、空中機能を備えたヒューマノイドロボットを提供することができる。 空飛ぶヒューマノイドロボットは、特に空気力学的力によって、モデリングと制御の課題に直面している。 本稿では,これらの課題を技術的・科学的観点から論じる。 技術的貢献には、ジェットエンジンの統合に最適化されたジェットエンジンを搭載したヒューマノイドロボットであるiRonCub-Mk1の機械設計や、正確な空気力学力と表面圧力測定のためのヒューマノイドロボットの風洞実験のためのハードウェア修正が含まれる。 この科学的貢献は、古典的および学習技術を用いて空気力学的力をモデル化し、制御するための包括的なアプローチを提供する。 計算流体力学(CFD)シミュレーションは、iRonCub-Mk1の風洞実験により検証された空気力を計算する。 自動CFDフレームワークは、空気力学データセットを拡張し、ディープニューラルネットワークと線形回帰モデルのトレーニングを可能にする。 これらのモデルは、飛行シミュレーションを通じて検証され、iRonCub-Mk1物理プロトタイプの実験のバランスをとる空力対応コントローラを設計するためのシミュレータに統合される。

関連論文リスト

• AI-Enhanced Automatic Design of Efficient Underwater Gliders [60.45821679800442]
  自動設計フレームワークの構築は、グライダー形状を表現する複雑さと、複雑な固体-流体相互作用をモデル化する際の計算コストが高いため、困難である。 非自明な船体形状の水中ロボットを作れるようにすることで、これらの制限を克服するAI強化型自動計算フレームワークを導入する。 提案手法は, 形状と制御信号の両面を協調的に最適化するアルゴリズムで, 低次幾何表現と微分可能なニューラルネット型流体代理モデルを用いる。
  論文  参考訳（メタデータ） (2025-04-30T23:55:44Z)
• Unreal Robotics Lab: A High-Fidelity Robotics Simulator with Advanced Physics and Rendering [4.760567755149477]
  本稿では,Unreal Engineの高度なレンダリング機能とMuJoCoの高精度物理シミュレーションを統合する新しいシミュレーションフレームワークを提案する。 我々のアプローチは、正確な物理的相互作用を維持しながら、現実的なロボット知覚を可能にする。 フレームワーク内のビジュアルナビゲーションとSLAMメソッドをベンチマークし、制御されながら多様なシナリオで実世界のロバスト性をテストするための実用性を実証する。
  論文  参考訳（メタデータ） (2025-04-19T01:54:45Z)
• Hysteresis-Aware Neural Network Modeling and Whole-Body Reinforcement Learning Control of Soft Robots [14.02771001060961]
  外科的応用を目的としたソフトロボットシステムを提案する。 本稿では,ソフトロボットの全身動作を正確に把握し,予測する全身ニューラルネットワークモデルを提案する。 本手法はファントムを用いた手術実験において高い性能を示した。
  論文  参考訳（メタデータ） (2025-04-18T09:34:56Z)
• A Deep Inverse-Mapping Model for a Flapping Robotic Wing [0.0]
  システム制御では、システムのダイナミクスは入力によって制御され、望ましい結果が得られる。 羽ばたきロボットでは、複雑な流体運動が関与し、入力(翼運動学)を結果(空気力)にマッピングするのは簡単ではない。 本稿では,実験システムから得られたデータに基づくフラッピング翼系の逆マッピングのための機械学習ソリューションについて報告する。
  論文  参考訳（メタデータ） (2025-02-13T14:46:04Z)
• DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative Diffusion Models [102.13968267347553]
  本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。 我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
  論文  参考訳（メタデータ） (2023-11-28T18:58:48Z)
• Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous Driving Research [76.93956925360638]
  Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。 TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。 我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-10-12T20:49:15Z)
• Inverted Landing in a Small Aerial Robot via Deep Reinforcement Learning for Triggering and Control of Rotational Maneuvers [11.29285364660789]
  高速で頑健な逆着陸は、特に機内でのセンシングと計算に完全に依存しながらも、空中ロボットにとって難しい偉業である。 これまでの研究では、一連の視覚的手がかりとキネマティックな動作の間に直接的な因果関係が特定され、小型の空中ロボットでこの困難なエアロバティックな操作を確実に実行することができた。 本研究では、まずDeep Reinforcement Learningと物理シミュレーションを用いて、頑健な逆着陸のための汎用的最適制御ポリシーを得る。
  論文  参考訳（メタデータ） (2022-09-22T14:38:10Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• OSCAR: Data-Driven Operational Space Control for Adaptive and Robust Robot Manipulation [50.59541802645156]
  オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。 本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。 本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2021-10-02T01:21:38Z)
• Airfoil's Aerodynamic Coefficients Prediction using Artificial Neural Network [0.0]
  右翼を見つけることは、あらゆる航空機の設計の予備段階における重要なステップである。 本研究では、異なるネットワークアーキテクチャとトレーニングデータセットを比較し、ネットワークが与えられた翼のジオメトリをどのように知覚するかについての洞察を得る。
  論文  参考訳（メタデータ） (2021-09-24T19:07:19Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。