論文の概要: Space Robotics Bench: Robot Learning Beyond Earth

• arxiv url: http://arxiv.org/abs/2509.23328v1
• Date: Sat, 27 Sep 2025 14:28:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.164359
• Title: Space Robotics Bench: Robot Learning Beyond Earth
• Title（参考訳）: 宇宙ロボットベンチ:地球を越えたロボット学習
• Authors: Andrej Orsula, Matthieu Geist, Miguel Olivares-Mendez, Carol Martinez,
• Abstract要約: 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。
• 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: The growing ambition for space exploration demands robust autonomous systems that can operate in unstructured environments under extreme extraterrestrial conditions. The adoption of robot learning in this domain is severely hindered by the prohibitive cost of technology demonstrations and the limited availability of data. To bridge this gap, we introduce the Space Robotics Bench, an open-source simulation framework for robot learning in space. It offers a modular architecture that integrates on-demand procedural generation with massively parallel simulation environments to support the creation of vast and diverse training distributions for learning-based agents. To ground research and enable direct comparison, the framework includes a comprehensive suite of benchmark tasks that span a wide range of mission-relevant scenarios. We establish performance baselines using standard reinforcement learning algorithms and present a series of experimental case studies that investigate key challenges in generalization, end-to-end learning, adaptive control, and sim-to-real transfer. Our results reveal insights into the limitations of current methods and demonstrate the utility of the framework in producing policies capable of real-world operation. These contributions establish the Space Robotics Bench as a valuable resource for developing, benchmarking, and deploying the robust autonomous systems required for the final frontier.
• Abstract（参考訳）: 宇宙探査への野心の高まりは、極端に地球外条件下での非構造環境での運用が可能な堅牢な自律システムを要求している。 この領域におけるロボット学習の採用は、技術実証の禁止コストとデータの可用性の制限によって著しく妨げられている。 このギャップを埋めるために、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Space Robotics Benchを紹介します。 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、学習ベースのエージェントのための膨大な多様なトレーニングディストリビューションの作成をサポートするモジュールアーキテクチャを提供する。 研究の基礎を置き、直接比較を可能にするため、このフレームワークは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を含んでいる。 我々は,標準的な強化学習アルゴリズムを用いて性能ベースラインを確立し,一般化,エンドツーエンド学習,適応制御,シム・トゥ・リアル・トランスファーにおける重要な課題を調査する一連の実験ケーススタディを提示する。 本研究は,現状の手法の限界について考察し,実世界の運用が可能な政策を作成する上でのフレームワークの有用性を実証するものである。 これらの貢献により、スペース・ロボティクス・ベンチは最終フロンティアに必要な堅牢な自律システムを開発、ベンチマーク、展開するための貴重な資源として確立された。

関連論文リスト

• A General Infrastructure and Workflow for Quadrotor Deep Reinforcement Learning and Reality Deployment [48.90852123901697]
  本稿では, エンドツーエンドの深層強化学習(DRL)ポリシーを四元数へシームレスに移行できるプラットフォームを提案する。 本プラットフォームは, ホバリング, 動的障害物回避, 軌道追尾, 気球打上げ, 未知環境における計画など, 多様な環境を提供する。
  論文  参考訳（メタデータ） (2025-04-21T14:25:23Z)
• Robotic World Model: A Neural Network Simulator for Robust Policy Optimization in Robotics [50.191655141020505]
  この研究は、長期水平予測、エラー蓄積、およびsim-to-real転送の課題に対処することで、モデルに基づく強化学習を前進させる。 スケーラブルでロバストなフレームワークを提供することで、現実のアプリケーションにおいて適応的で効率的なロボットシステムを実現することができる。
  論文  参考訳（メタデータ） (2025-01-17T10:39:09Z)
• Foundation Models for Autonomous Robots in Unstructured Environments [15.517532442044962]
  この研究は、ロボットと非構造環境の2つの分野における基礎モデルの応用を体系的にレビューした。 LLMの言語能力は、人間とロボットの相互作用の知覚を改善するために、他の特徴よりも利用されてきた。 LLMの使用は、プロジェクトの管理と建設における安全性、災害管理における自然災害検出により多くの応用を実証した。
  論文  参考訳（メタデータ） (2024-07-19T13:26:52Z)
• Leveraging Procedural Generation for Learning Autonomous Peg-in-Hole Assembly in Space [19.76267553432585]
  宇宙ロボティクスの文脈で自律的なペグ・イン・ホール・アセンブリを学習するための新しいアプローチを提案する。 我々の焦点は、深層強化学習による自律システムの一般化と適応性の向上である。 我々の発見は、地球を越えた野心的な宇宙ミッションとインフラ開発を支援する知的ロボットシステムの将来の進歩の舞台となった。
  論文  参考訳（メタデータ） (2024-05-02T09:50:01Z)
• Toward General-Purpose Robots via Foundation Models: A Survey and Meta-Analysis [82.59451639072073]
  汎用ロボットはどんな環境でも、どんな物体でもシームレスに動作し、様々なスキルを使って様々なタスクをこなす。 コミュニティとしては、特定のタスク用に設計し、特定のデータセットでトレーニングし、特定の環境にデプロイすることで、ほとんどのロボットシステムを制約してきました。 ウェブスケールで大規模で大容量の事前学習型モデルの優れたオープンセット性能とコンテンツ生成能力に感銘を受けて,本調査は,汎用ロボティクスに基礎モデルを適用する方法について検討した。
  論文  参考訳（メタデータ） (2023-12-14T10:02:55Z)

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。