論文の概要: AD-NODE: Adaptive Dynamics Learning with Neural ODEs for Mobile Robots Control

• arxiv url: http://arxiv.org/abs/2510.05443v1
• Date: Mon, 06 Oct 2025 23:14:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:08.01979
• Title: AD-NODE: Adaptive Dynamics Learning with Neural ODEs for Mobile Robots Control
• Title（参考訳）: AD-NODE: 移動ロボット制御のためのニューラルネットワークによる適応的ダイナミクス学習
• Authors: Shao-Yi Yu, Jen-Wei Wang, Maya Horii, Vikas Garg, Tarek Zohdi,
• Abstract要約: 移動ロボットは、物流から農業まで、様々な分野でますます重要になっている。 これらのシステムは、環境変動に対応することのできる力学モデルを必要とする。 本研究では,直接的な環境知識の必要性を回避できる適応力学モデルを提案する。
• 参考スコア（独自算出の注目度）: 17.551574806243853
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Mobile robots, such as ground vehicles and quadrotors, are becoming increasingly important in various fields, from logistics to agriculture, where they automate processes in environments that are difficult to access for humans. However, to perform effectively in uncertain environments using model-based controllers, these systems require dynamics models capable of responding to environmental variations, especially when direct access to environmental information is limited. To enable such adaptivity and facilitate integration with model predictive control, we propose an adaptive dynamics model which bypasses the need for direct environmental knowledge by inferring operational environments from state-action history. The dynamics model is based on neural ordinary equations, and a two-phase training procedure is used to learn latent environment representations. We demonstrate the effectiveness of our approach through goal-reaching and path-tracking tasks on three robotic platforms of increasing complexity: a 2D differential wheeled robot with changing wheel contact conditions, a 3D quadrotor in variational wind fields, and the Sphero BOLT robot under two contact conditions for real-world deployment. Empirical results corroborate that our method can handle temporally and spatially varying environmental changes in both simulation and real-world systems.
• Abstract（参考訳）: 地上の車両や四輪車といった移動ロボットは、物流から農業まで、様々な分野でますます重要になっている。 しかし,モデルベースコントローラを用いて不確実な環境で効果的に動作するためには,特に環境情報への直接アクセスが制限された場合に,環境変動に対応可能なダイナミクスモデルが必要である。 このような適応性を実現し、モデル予測制御との統合を容易にするため、状態-動作履歴から運用環境を推定することにより、直接的な環境知識の必要性を回避できる適応力学モデルを提案する。 力学モデルはニューラル常微分方程式に基づいており、潜在環境表現を学習するために二相学習法が用いられる。 本研究では,車輪接触条件が変化する2次元ディファレンシャルホイール付きロボット,変動風場における3次元四角形ロボット,実世界展開のための2つの接触条件下でのSphero BOLTロボットの3つのロボットプラットフォーム上での目標達成と経路追跡タスクによるアプローチの有効性を実証する。 実験結果から,シミュレーションシステムと実世界のシステムの両方において,時間的・空間的に異なる環境変化を処理できることが示唆された。

関連論文リスト

• Situationally-Aware Dynamics Learning [57.698553219660376]
  隠れ状態表現のオンライン学習のための新しいフレームワークを提案する。 提案手法は、非観測パラメータが遷移力学と報酬構造の両方に与える影響を明示的にモデル化する。 シミュレーションと実世界の両方の実験は、データ効率、ポリシー性能、安全で適応的なナビゲーション戦略の出現を著しく改善した。
  論文  参考訳（メタデータ） (2025-05-26T06:40:11Z)
• Action Flow Matching for Continual Robot Learning [54.10050120844738]
  ロボット工学における継続的な学習は、変化する環境やタスクに常に適応できるシステムを求める。 本稿では,オンラインロボット力学モデルアライメントのためのフローマッチングを利用した生成フレームワークを提案する。 ロボットは,不整合モデルで探索するのではなく,行動自体を変換することで,より効率的に情報収集を行う。
  論文  参考訳（メタデータ） (2025-04-25T16:26:15Z)
• 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)
• Learning Adaptive Hydrodynamic Models Using Neural ODEs in Complex Conditions [9.392180262607921]
  強化学習に基づく四足歩行ロボットは、様々な地形を横断するが、水中で泳ぐ能力は乏しい。 本稿では,水陸両用四足歩行ロボットのためのデータ駆動型流体力学モデルの開発と評価について述べる。
  論文  参考訳（メタデータ） (2024-10-01T08:18:36Z)
• Domain Randomization for Robust, Affordable and Effective Closed-loop Control of Soft Robots [10.977130974626668]
  ソフトロボットは、コンタクトや適応性に対する本質的な安全性によって人気を集めている。 本稿では、ソフトロボットのRLポリシーを強化することにより、ドメインランダム化(DR)がこの問題を解決する方法を示す。 本稿では,変形可能なオブジェクトに対する動的パラメータの自動推論のための,従来の適応的領域ランダム化手法に対する新しいアルゴリズム拡張を提案する。
  論文  参考訳（メタデータ） (2023-03-07T18:50:00Z)
• Adaptive Asynchronous Control Using Meta-learned Neural Ordinary Differential Equations [0.0]
  実世界のロボティクスシステムは、モデルに基づく強化学習と制御の適用性を制限する課題をしばしば提示する。 本稿では,メタラーニング適応力学モデルを用いて連続時間予測と制御を行うことによって,これらの困難を克服する一般的なフレームワークを提案する。 本研究では,2つの異なるロボットシミュレーションと実産業ロボットの評価を行った。
  論文  参考訳（メタデータ） (2022-07-25T11:07:29Z)
• 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)
• Error-Aware Policy Learning: Zero-Shot Generalization in Partially Observable Dynamic Environments [18.8481771211768]
  新しい環境に適応できる政策を開発することで、このようなシム・トゥ・リアル問題に取り組むための新しいアプローチを紹介します。 私たちのアプローチの鍵は、トレーニング中に観察できない要因の影響を明示的に認識するエラー認識ポリシー(EAP)です。 ヒップトルク補助装置の訓練されたEAPは, 生体力学的特性の異なる異なる人体エージェントに転送可能であることを示す。
  論文  参考訳（メタデータ） (2021-03-13T15:36:44Z)

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。