論文の概要: Learning Soft Robotic Dynamics with Active Exploration

• arxiv url: http://arxiv.org/abs/2510.27428v1
• Date: Fri, 31 Oct 2025 12:35:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 17:52:16.099039
• Title: Learning Soft Robotic Dynamics with Active Exploration
• Title（参考訳）: アクティブ探索によるソフトロボットダイナミクスの学習
• Authors: Hehui Zheng, Bhavya Sukhija, Chenhao Li, Klemens Iten, Andreas Krause, Robert K. Katzschmann,
• Abstract要約: ソフトロボットは、非構造環境における不整合適応性と安全性を提供する。 既存のデータ駆動アプローチは、狭義のタスク実証によって制約された一般化に失敗する。 我々は不確実性を認識したアクティブな探索フレームワークであるSoftAEを紹介する。
• 参考スコア（独自算出の注目度）: 42.02038229113609
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Soft robots offer unmatched adaptability and safety in unstructured environments, yet their compliant, high-dimensional, and nonlinear dynamics make modeling for control notoriously difficult. Existing data-driven approaches often fail to generalize, constrained by narrowly focused task demonstrations or inefficient random exploration. We introduce SoftAE, an uncertainty-aware active exploration framework that autonomously learns task-agnostic and generalizable dynamics models of soft robotic systems. SoftAE employs probabilistic ensemble models to estimate epistemic uncertainty and actively guides exploration toward underrepresented regions of the state-action space, achieving efficient coverage of diverse behaviors without task-specific supervision. We evaluate SoftAE on three simulated soft robotic platforms -- a continuum arm, an articulated fish in fluid, and a musculoskeletal leg with hybrid actuation -- and on a pneumatically actuated continuum soft arm in the real world. Compared with random exploration and task-specific model-based reinforcement learning, SoftAE produces more accurate dynamics models, enables superior zero-shot control on unseen tasks, and maintains robustness under sensing noise, actuation delays, and nonlinear material effects. These results demonstrate that uncertainty-driven active exploration can yield scalable, reusable dynamics models across diverse soft robotic morphologies, representing a step toward more autonomous, adaptable, and data-efficient control in compliant robots.
• Abstract（参考訳）: ソフトロボットは、非構造環境における不整合適応性と安全性を提供するが、その適合性、高次元、非線形ダイナミクスは、制御のためのモデリングを非常に困難にしている。 既存のデータ駆動アプローチは、狭義のタスクデモや非効率なランダム探索によって制約されるため、一般化に失敗することが多い。 我々は,ソフトロボットシステムのタスク非依存および一般化可能なダイナミクスモデルを自律的に学習する,不確実性を考慮したアクティブな探索フレームワークであるSoftAEを紹介する。 SoftAEは、先天的な不確実性を推定するために確率的アンサンブルモデルを採用し、国家行動空間の未表現領域への探索を積極的に指導し、タスク固有の監督なしに多様な行動の効率的なカバレッジを達成する。 我々は,3つの模擬ソフトロボティクスプラットフォーム(連続アーム,流体中の調音魚,ハイブリッドアクチュエータを備えた筋骨格脚)と,実世界の空気で作動する連続性ソフトアームについて,SoftAEを評価した。 ランダムな探索とタスク固有のモデルに基づく強化学習と比較して、SoftAEはより正確な力学モデルを生成し、目に見えないタスクのゼロショット制御を優れたものにし、センシングノイズ、アクティベーション遅延、非線形材料効果の下で堅牢性を維持する。 これらの結果は、不確実性駆動型能動探査により、多様なソフトロボット形態をまたいだスケーラブルで再利用可能なダイナミックスモデルが得られることを示している。

関連論文リスト

• 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)
• 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)
• Probabilistic Latent Variable Modeling for Dynamic Friction Identification and Estimation [2.638878351659023]
  ロボット工学における動的モデルの同定は、制御設計、摩擦補償、出力トルク推定をサポートするために不可欠である。 本稿では,潜伏状態を用いたロボット関節の未同定ダイナミクスについて考察する。 予測最大化 (EM) アルゴリズムを用いてモデルパラメータの近似最大推定 (MLE) を求める。
  論文  参考訳（メタデータ） (2024-12-20T10:16:18Z)
• 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)
• 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)
• Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model Predictive Control [46.81433026280051]
  本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。 我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
  論文  参考訳（メタデータ） (2022-10-23T00:45:05Z)
• 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)

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。