論文の概要: Efficient Learning-Based Control of a Legged Robot in Lunar Gravity

• arxiv url: http://arxiv.org/abs/2509.10128v1
• Date: Fri, 12 Sep 2025 10:43:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-15 16:03:08.053383
• Title: Efficient Learning-Based Control of a Legged Robot in Lunar Gravity
• Title（参考訳）: 月面重力下での脚ロボットの学習に基づく効率的な制御
• Authors: Philip Arm, Oliver Fischer, Joseph Church, Adrian Fuhrer, Hendrik Kolvenbach, Marco Hutter,
• Abstract要約: 脚のついたロボットは、低重力体で挑戦する分野を探求する上で有望な候補だ。 これらのロボットは、複数の重力環境に容易に移行できるエネルギー効率の高い制御アプローチを必要とする。 本稿では,重力スケールの電力最適化型報酬関数を持つ脚型ロボットに対して,強化学習に基づく制御手法を提案する。
• 参考スコア（独自算出の注目度）: 6.923275442275323
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Legged robots are promising candidates for exploring challenging areas on low-gravity bodies such as the Moon, Mars, or asteroids, thanks to their advanced mobility on unstructured terrain. However, as planetary robots' power and thermal budgets are highly restricted, these robots need energy-efficient control approaches that easily transfer to multiple gravity environments. In this work, we introduce a reinforcement learning-based control approach for legged robots with gravity-scaled power-optimized reward functions. We use our approach to develop and validate a locomotion controller and a base pose controller in gravity environments from lunar gravity (1.62 m/s2) to a hypothetical super-Earth (19.62 m/s2). Our approach successfully scales across these gravity levels for locomotion and base pose control with the gravity-scaled reward functions. The power-optimized locomotion controller reached a power consumption for locomotion of 23.4 W in Earth gravity on a 15.65 kg robot at 0.4 m/s, a 23 % improvement over the baseline policy. Additionally, we designed a constant-force spring offload system that allowed us to conduct real-world experiments on legged locomotion in lunar gravity. In lunar gravity, the power-optimized control policy reached 12.2 W, 36 % less than a baseline controller which is not optimized for power efficiency. Our method provides a scalable approach to developing power-efficient locomotion controllers for legged robots across multiple gravity levels.
• Abstract（参考訳）: 脚のついたロボットは、月、火星、小惑星などの低重力の天体で、非構造的な地形で高度な移動性によって、挑戦的な領域を探索できると期待されている。 しかし、惑星ロボットのパワーと熱予算は非常に制限されているため、これらのロボットは複数の重力環境に容易に移行できるエネルギー効率の高い制御アプローチを必要とする。 本研究では,重力スケールの電力最適化型報酬関数を持つ脚型ロボットに対して,強化学習に基づく制御手法を提案する。 我々は,月の重力 (1.62 m/s2) から仮説上のスーパーアース (19.62 m/s2) までの重力環境における移動制御器とベースポーズ制御器を開発し,検証する。 我々の手法は、重力スケールの報酬関数を用いて、移動とベースポーズ制御のために、これらの重力レベルにわたってうまくスケールする。 パワー最適化されたローコモーションコントローラは15.65kgのロボットで地球重力下での23.4Wのローコモーションを0.4m/sで達成し、基本方針よりも23%改善した。 さらに、月面重力下での足の移動に関する実世界の実験を可能にする定力スプリングオフロードシステムも設計した。 月面重力では、電力最適化制御ポリシは12.2Wに達し、電力効率に最適化されていないベースラインコントローラよりも36%小さくなった。 本手法は,複数の重力レベルにまたがる脚付きロボットのための効率の良い移動制御器の開発に,スケーラブルなアプローチを提供する。

関連論文リスト

• KungfuBot: Physics-Based Humanoid Whole-Body Control for Learning Highly-Dynamic Skills [50.34487144149439]
  そこで本研究では,Kungfuやダンスなどの人体動作を高度に制御することを目的とした,物理学に基づくヒューマノイド制御フレームワークを提案する。 動作処理では,運動の抽出,フィルタリング,修正,再ターゲティングを行うパイプラインを設計し,物理的制約の遵守を確実にする。 動作模倣では、二段階最適化問題を定式化し、追従精度の許容度を動的に調整する。 実験では,高ダイナミックな動作のセットを模倣するために全身制御ポリシーを訓練する。
  論文  参考訳（メタデータ） (2025-06-15T13:58:53Z)
• FACET: Force-Adaptive Control via Impedance Reference Tracking for Legged Robots [23.645867340878574]
  インピーダンス参照追跡(FACET)を用いたemphForce-Adaptive Controlを提案する。 インピーダンス制御にインスパイアされた我々は、RLを使って制御ポリシーを訓練し、仮想的な質量ばね減衰系を模倣する。 シミュレーションでは、我々の四足歩行ロボットが大きな衝動に対して堅牢性を向上し、制御可能なコンプライアンスを示すことを示す。
  論文  参考訳（メタデータ） (2025-05-11T07:23:26Z)
• Humanoid Whole-Body Locomotion on Narrow Terrain via Dynamic Balance and Reinforcement Learning [54.26816599309778]
  動的バランスと強化学習(RL)に基づく新しい全身移動アルゴリズムを提案する。 具体的には,ZMP(Zero-Moment Point)駆動の報酬とタスク駆動の報酬を,全身のアクター批判的枠組みで拡張した尺度を活用することで,動的バランス機構を導入する。 フルサイズのUnitree H1-2ロボットによる実験により、非常に狭い地形でのバランスを維持するための手法の有効性が検証された。
  論文  参考訳（メタデータ） (2025-02-24T14:53:45Z)
• Learning to enhance multi-legged robot on rugged landscapes [7.956679144631909]
  多足ロボットは、頑丈な風景をナビゲートするための有望なソリューションを提供する。 近年の研究では、線形制御器が挑戦的な地形上で信頼性の高い移動性を確保することが示されている。 我々は,このロボットプラットフォームに適した MuJoCo ベースのシミュレータを開発し,シミュレーションを用いて強化学習に基づく制御フレームワークを開発する。
  論文  参考訳（メタデータ） (2024-09-14T15:53:08Z)
• Reinforcement Learning for Versatile, Dynamic, and Robust Bipedal Locomotion Control [106.32794844077534]
  本稿では,二足歩行ロボットのための動的移動制御系を構築するために,深層強化学習を用いた研究について述べる。 本研究では、周期歩行やランニングから周期ジャンプや立位に至るまで、様々な動的二足歩行技術に使用できる汎用的な制御ソリューションを開発する。 この研究は、二足歩行ロボットの俊敏性の限界を、現実世界での広範な実験を通じて押し上げる。
  論文  参考訳（メタデータ） (2024-01-30T10:48:43Z)
• Continuous Versatile Jumping Using Learned Action Residuals [35.996425893483796]
  本研究では,四足歩行ロボットの連続的な跳躍動作を学習するために,最適制御と強化学習を組み合わせた階層的枠組みを提案する。 我々のフレームワークの中核はスタンスコントローラであり、手動で設計した加速度コントローラと学習された残留ポリシーを組み合わせる。 シミュレーションのトレーニングの後、我々のフレームワークは実際のロボットに直接展開でき、多目的で連続的なジャンプ動作を行うことができる。
  論文  参考訳（メタデータ） (2023-04-17T23:28:32Z)
• Learning Bipedal Walking for Humanoids with Current Feedback [5.429166905724048]
  アクチュエータレベルでの不正確なトルクトラッキングから生じるヒューマノイドロボットのシム2リアルギャップ問題を克服するためのアプローチを提案する。 提案手法は、実際のHRP-5Pヒューマノイドロボットに展開して二足歩行を実現するシミュレーションにおいて、一貫したエンドツーエンドのポリシーをトレーニングする。
  論文  参考訳（メタデータ） (2023-03-07T08:16:46Z)
• Learning Quadrupedal Locomotion over Challenging Terrain [68.51539602703662]
  足の移動はロボティクスの操作領域を劇的に拡張することができる。 足の移動のための従来のコントローラーは、運動プリミティブと反射の実行を明示的にトリガーする精巧な状態マシンに基づいている。 ここでは、自然環境に挑戦する際の足の移動に対して、徹底的に頑健な制御器を提案する。
  論文  参考訳（メタデータ） (2020-10-21T19:11:20Z)

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。