論文の概要: Learning Tool-Aware Adaptive Compliant Control for Autonomous Regolith Excavation

• arxiv url: http://arxiv.org/abs/2509.05475v1
• Date: Fri, 05 Sep 2025 20:09:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.527953
• Title: Learning Tool-Aware Adaptive Compliant Control for Autonomous Regolith Excavation
• Title（参考訳）: 自律型リゴリス掘削のための学習ツール・アウェア適応整合制御
• Abstract要約: 本研究では,モデルに基づく強化学習エージェントが並列化シミュレーション内で学習するフレームワークを紹介する。 ツールのプロシージャ分布によるトレーニングは、一般化に不可欠であり、高度なツール認識行動の開発を可能にすることを示す。
• 参考スコア（独自算出の注目度）: 16.948852537273655
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous regolith excavation is a cornerstone of in-situ resource utilization for a sustained human presence beyond Earth. However, this task is fundamentally hindered by the complex interaction dynamics of granular media and the operational need for robots to use diverse tools. To address these challenges, this work introduces a framework where a model-based reinforcement learning agent learns within a parallelized simulation. This environment leverages high-fidelity particle physics and procedural generation to create a vast distribution of both lunar terrains and excavation tool geometries. To master this diversity, the agent learns an adaptive interaction strategy by dynamically modulating its own stiffness and damping at each control step through operational space control. Our experiments demonstrate that training with a procedural distribution of tools is critical for generalization and enables the development of sophisticated tool-aware behavior. Furthermore, we show that augmenting the agent with visual feedback significantly improves task success. These results represent a validated methodology for developing the robust and versatile autonomous systems required for the foundational tasks of future space missions.
• Abstract（参考訳）: 自律的なリゴリス掘削は、地球外に存在する持続的な人類の資源利用の基盤となっている。 しかし、このタスクは、グラニュラーメディアの複雑な相互作用のダイナミクスと、多様なツールを使用するロボットの運用の必要性によって、基本的に妨げられている。 これらの課題に対処するために、モデルに基づく強化学習エージェントが並列化シミュレーション内で学習するフレームワークを導入する。 この環境は、高忠実度粒子物理学と手続き生成を活用して、月面地形と掘削ツール地形の両方を広範囲に分布させる。 この多様性を習得するために、エージェントは、操作空間制御を通じて、自身の剛性を動的に調整し、各制御ステップで減衰することにより、適応的な相互作用戦略を学ぶ。 ツールのプロシージャ分布によるトレーニングは、一般化に不可欠であり、高度なツール認識行動の開発を可能にすることを実証した。 さらに,視覚的フィードバックによるエージェントの増強はタスクの成功を著しく改善することを示した。 これらの結果は、将来の宇宙ミッションの基本課題に必要な堅牢で汎用的な自律システムを開発するための検証された方法論である。

関連論文リスト

• Learning Loco-Manipulation From SMPC Demonstrations With Sparse Offline-to-Online RL [11.048264771623836]
  強化学習(Reinforcement Learning, RL)は、ロボットの自律性には不可欠だが、複雑なタスクにスケールすることは、時間と労力を要する。 我々は、純粋にスパースなタスク報酬を使い、新しいスキルを学ぶのに必要な時間を劇的に削減し、手動のチューニングを不要にすることで、オフポリティクスのRLエージェントをトレーニングする方法を示す。 我々は、腕を装着したSpot四足歩行とG1ヒューマノイドを含む、様々な形態の複雑なロコ操作技術をうまく展開することで、この枠組みの堅牢性を検証する。
  論文  参考訳（メタデータ） (2026-08-12T13:48:56Z)
• Learning Adaptive Force Control for Contact-Rich Sample Scraping with Heterogeneous Materials [0.5161531917413708]
  グローバルな課題によって推進される、科学発見の加速に対する需要の増加は、先進的なAI駆動型ロボットの必要性を強調している。 人間中心の研究室にロボット化学者を配置することは、自律的な発見の次の地平の鍵だ。 本研究は, 安定かつ適合な物理相互作用を実現するために, 低レベルカルテシアンインピーダンス制御を頼りに, この問題に対処するための適応制御フレームワークを提案する。 本手法は5種類の材料で評価され, 平均10.9%の固定 Wrench ベースラインよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2026-03-11T17:07:55Z)
• Tool-R0: Self-Evolving LLM Agents for Tool-Learning from Zero Data [49.315842374696295]
  大規模言語モデル(LLM)は、複雑なタスクを解決するツールを使用する自律エージェントの基盤になりつつある。 本稿では,汎用ツールコールエージェントをセルフプレイRLでスクラッチからトレーニングするためのツール-R0フレームワークを提案する。 我々の研究は、共進化、カリキュラムのダイナミクス、スケーリングの振る舞いを分析することで、自己プレイのLCMエージェントに関する経験的な洞察を提供する。
  論文  参考訳（メタデータ） (2026-02-24T19:41:18Z)
• ASTRA: Automated Synthesis of agentic Trajectories and Reinforcement Arenas [13.919124676472022]
  ASTRAは、ツール拡張言語モデルエージェントをトレーニングするためのエンドツーエンドフレームワークである。 ASTRAはスケーラブルなデータ合成と検証可能な強化学習を統合している。 複数のエージェントツール使用ベンチマークの実験は、ASTRA訓練されたモデルが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2026-01-29T11:22:23Z)
• Space Robotics Bench: Robot Learning Beyond Earth [16.948852537273655]
  Space Robotics Benchは、宇宙でのロボット学習のためのオープンソースのシミュレーションフレームワークである。 オンデマンドの手続き生成と非常に並列なシミュレーション環境を統合している。 幅広いミッション関連シナリオにまたがるベンチマークタスクの包括的なスイートが含まれている。
  論文  参考訳（メタデータ） (2025-09-27T14:28:31Z)
• Sim2Dust: Mastering Dynamic Waypoint Tracking on Granular Media [19.76267553432585]
  本研究は,挑戦面上での動的ウェイポイントトラッキングのためのロバストな制御ポリシを開発するための,完全なsim-to-realフレームワークを提案する。 我々は超並列シミュレーションを利用して、プロシージャ生成環境の広範囲にわたる強化学習エージェントを訓練する。 本実験は,複数の強化学習アルゴリズムと動作平滑化フィルタを体系的に比較し,実世界の展開において最も効果的な組み合わせを同定する。
  論文  参考訳（メタデータ） (2025-08-15T14:30:07Z)
• Feedback-Driven Tool-Use Improvements in Large Language Models via Automated Build Environments [70.42705564227548]
  大規模言語モデル(LLM)のための環境自動構築パイプラインを提案する。 これにより、外部ツールに頼ることなく、詳細な測定可能なフィードバックを提供する高品質なトレーニング環境の作成が可能になる。 また、ツール使用の精度とタスク実行の完全性の両方を評価する検証可能な報酬機構も導入する。
  論文  参考訳（メタデータ） (2025-08-12T09:45:19Z)
• RoboGen: Towards Unleashing Infinite Data for Automated Robot Learning via Generative Simulation [68.70755196744533]
  RoboGenはジェネレーティブなロボットエージェントで、ジェネレーティブなシミュレーションを通じて、さまざまなロボットのスキルを自動的に学習する。 我々の研究は、大規模モデルに埋め込まれた広範囲で多目的な知識を抽出し、それらをロボット工学の分野に移す試みである。
  論文  参考訳（メタデータ） (2023-11-02T17:59:21Z)
• Orchestration of Emulator Assisted Mobile Edge Tuning for AI Foundation Models: A Multi-Agent Deep Reinforcement Learning Approach [10.47302625959368]
  我々は,モバイルエッジコンピューティングと基礎モデルを統合した画期的なパラダイムを提示する。 私たちのアプローチの中心はイノベーティブなEmulator-Adapterアーキテクチャであり、基礎モデルを2つの凝集モジュールに分割する。 本稿では,分散環境におけるEmulator-Adapter構造のニーズに合わせて微調整された高度なリソース割り当て機構を提案する。
  論文  参考訳（メタデータ） (2023-10-26T15:47:51Z)
• Bridging Active Exploration and Uncertainty-Aware Deployment Using Probabilistic Ensemble Neural Network Dynamics [11.946807588018595]
  本稿では,活発な探索と不確実性を考慮した展開を橋渡しするモデルベース強化学習フレームワークを提案する。 探索と展開の対立する2つのタスクは、最先端のサンプリングベースのMPCによって最適化されている。 自動運転車と車輪付きロボットの両方で実験を行い、探索と展開の両方に有望な結果を示します。
  論文  参考訳（メタデータ） (2023-05-20T17:20:12Z)
• CLAS: Coordinating Multi-Robot Manipulation with Central Latent Action Spaces [9.578169216444813]
  本稿では,異なるエージェント間で共有される学習された潜在行動空間を通じて,マルチロボット操作を協調する手法を提案する。 シミュレーションされたマルチロボット操作タスクにおいて本手法を検証し,サンプル効率と学習性能の観点から,従来のベースラインよりも改善したことを示す。
  論文  参考訳（メタデータ） (2022-11-28T23:20:47Z)
• Multitask Adaptation by Retrospective Exploration with Learned World Models [77.34726150561087]
  本稿では,タスク非依存ストレージから取得したMBRLエージェントのトレーニングサンプルを提供するRAMaというメタ学習型アドレッシングモデルを提案する。 このモデルは、期待されるエージェントのパフォーマンスを最大化するために、ストレージから事前のタスクを解く有望な軌道を選択することで訓練される。
  論文  参考訳（メタデータ） (2021-10-25T20:02:57Z)
• GEM: Group Enhanced Model for Learning Dynamical Control Systems [78.56159072162103]
  サンプルベースの学習が可能な効果的なダイナミクスモデルを構築します。 リー代数ベクトル空間上のダイナミクスの学習は、直接状態遷移モデルを学ぶよりも効果的であることを示す。 この研究は、ダイナミクスの学習とリー群の性質の関連性を明らかにし、新たな研究の方向への扉を開く。
  論文  参考訳（メタデータ） (2021-04-07T01:08:18Z)
• ReLMoGen: Leveraging Motion Generation in Reinforcement Learning for Mobile Manipulation [99.2543521972137]
  ReLMoGenは、サブゴールを予測するための学習されたポリシーと、これらのサブゴールに到達するために必要な動作を計画し実行するためのモーションジェネレータを組み合わせたフレームワークである。 本手法は,フォトリアリスティック・シミュレーション環境における7つのロボットタスクの多種多様なセットをベンチマークする。 ReLMoGenは、テスト時に異なるモーションジェネレータ間で顕著な転送可能性を示し、実際のロボットに転送する大きな可能性を示している。
  論文  参考訳（メタデータ） (2020-08-18T08:05:15Z)

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。