論文の概要: Maglev-Pentabot: Magnetic Levitation System for Non-Contact Manipulation using Deep Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2511.21149v1
• Date: Wed, 26 Nov 2025 08:10:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:59.021579
• Title: Maglev-Pentabot: Magnetic Levitation System for Non-Contact Manipulation using Deep Reinforcement Learning
• Title（参考訳）: Maglev-Pentabot:ディープ強化学習を用いた非接触マニピュレーションのための磁気浮上システム
• Authors: Guoming Huang, Qingyi Zhou, Dianjing Liu, Shuai Zhang, Ming Zhou, Zongfu Yu,
• Abstract要約: 非接触操作の制限に対処するために,磁気浮上システムMaglev-Pentabotを提案する。 Maglev-Pentabotは深層強化学習を利用して、グラム範囲で物体を操作するための複雑な制御戦略を開発する。 我々のシステムは、大型の電磁石を用いて重い物体を操り、産業用ロボット応用のための参照フレームワークを提供することができる。
• 参考スコア（独自算出の注目度）: 6.530215277181797
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Non-contact manipulation has emerged as a transformative approach across various industrial fields. However, current flexible 2D and 3D non-contact manipulation techniques are often limited to microscopic scales, typically controlling objects in the milligram range. In this paper, we present a magnetic levitation system, termed Maglev-Pentabot, designed to address this limitation. The Maglev-Pentabot leverages deep reinforcement learning (DRL) to develop complex control strategies for manipulating objects in the gram range. Specifically, we propose an electromagnet arrangement optimized through numerical analysis to maximize controllable space. Additionally, an action remapping method is introduced to address sample sparsity issues caused by the strong nonlinearity in magnetic field intensity, hence allowing the DRL controller to converge. Experimental results demonstrate flexible manipulation capabilities, and notably, our system can generalize to transport tasks it has not been explicitly trained for. Furthermore, our approach can be scaled to manipulate heavier objects using larger electromagnets, offering a reference framework for industrial-scale robotic applications.
• Abstract（参考訳）: 非接触操作は、様々な産業分野にまたがる変革的アプローチとして現れてきた。 しかし、現在の柔軟な2Dおよび3D非接触操作技術は、通常ミリグラム範囲の物体を制御する顕微鏡スケールに制限されることが多い。 本稿では,磁気浮上システムのMaglev-Pentabotについて述べる。 Maglev-Pentabotは、深層強化学習(DRL)を活用して、グラム範囲で物体を操作するための複雑な制御戦略を開発する。 具体的には,制御可能な空間を最大化するために,数値解析により最適化された電磁石配置を提案する。 さらに、磁場強度の強い非線形性に起因するサンプルのスパーシリティ問題に対処するため、DRLコントローラを収束させるアクションリマッピング法が導入された。 実験の結果、フレキシブルな操作能力を示し、特に、我々のシステムは、明示的に訓練されていないタスクを輸送するために一般化することができる。 さらに,より大型の電磁石を用いて重い物体を操り,産業用ロボット応用の基準枠組みを提供する。

関連論文リスト

• Magnetic field estimation using Gaussian process regression for interactive wireless power system design [6.102646086243458]
  共振器を結合したワイヤレス電力伝送は、電子機器のシームレスな電力供給に有望なソリューションを提供する。 磁場と電力伝達効率を可視化するインタラクティブな設計手法は、これらのシステムの理解と探索を容易にする。 本稿では,Gaussian Process Regression (GPR) を用いた機械学習手法を提案する。
  論文  参考訳（メタデータ） (2025-10-22T06:26:38Z)
• Dexplore: Scalable Neural Control for Dexterous Manipulation from Reference-Scoped Exploration [58.4036440289082]
  ハンドオブジェクトモーションキャプチャ(MoCap)は、大規模でコンタクトに富んだデモと、器用なロボットスコープの約束を提供する。 Dexploreは、リポジトリとトラッキングを実行し、MoCapから直接ロボット制御ポリシーを学習する、統一された単一ループ最適化である。
  論文  参考訳（メタデータ） (2025-09-11T17:59:07Z)
• End-to-End Low-Level Neural Control of an Industrial-Grade 6D Magnetic Levitation System [0.0]
  本稿では,6次元磁気浮上のための最初のニューラルコントローラを提案する。 プロプライエタリなコントローラからのインタラクションデータに基づいて、トレーニングされたエンドツーエンドで、生のセンサーデータと6D参照をコイル電流コマンドにマッピングする。 結果は、複雑な物理系における学習に基づく神経制御の実現可能性を明らかにする。
  論文  参考訳（メタデータ） (2025-09-01T11:33:30Z)
• Machine learning assisted tracking of magnetic objects using quantum diamond magnetometry [33.7054351451505]
  リモート磁気センシングは、オブジェクトの位置をリアルタイムで監視するために使用することができる。 本研究では,実験データのみに基づいて学習可能な機械学習(ML)手法を実証する。 以上の結果から,このML法を磁気物体のリアルタイムモニタリングに応用する可能性が示唆された。
  論文  参考訳（メタデータ） (2025-02-20T16:11:38Z)
• Stable magnetic levitation of soft ferromagnets for macroscopic quantum mechanics [0.0]
  ソフト強磁性体の受動磁気浮上と3次元高調波トラップのためのシステムを提案する。 ソフト強磁性体の内部集合スピン励起の利用により、サブミリスケールの粒子を持つ量子力学的現象を実現できる。
  論文  参考訳（メタデータ） (2023-03-31T07:22:49Z)
• Multi-Scale Control Signal-Aware Transformer for Motion Synthesis without Phase [72.01862340497314]
  マルチスケール制御信号認識変換器(MCS-T)を提案する。 MCS-Tは補助情報を用いてメソッドが生成した動作に匹敵する動作をうまく生成できる。
  論文  参考訳（メタデータ） (2023-03-03T02:56:44Z)
• Output Feedback Tube MPC-Guided Data Augmentation for Robust, Efficient Sensorimotor Policy Learning [49.05174527668836]
  シミュレーション学習(IL)は、計算コストのかかるモデルベースセンシングと制御アルゴリズムによって提供されるデモから、計算効率のよいセンセータポリシーを生成することができる。 本研究では,ILと出力フィードバック頑健な管モデル予測コントローラを組み合わせることで,実演とデータ拡張戦略を併用し,ニューラルネットワークに基づくセンサモジュレータポリシーを効率的に学習する。 提案手法は,従来のIL法と比較して,実演効率が2桁向上した1つの実演から,ロバストなビズモータポリシーを学習できることを数値的に示す。
  論文  参考訳（メタデータ） (2022-10-18T19:59:17Z)
• Surpassing the Energy Resolution Limit with ferromagnetic torque sensors [55.41644538483948]
  標準量子限界における熱力学ノイズと機械的検出ノイズを考慮した最適磁場分解能の評価を行った。 近年の文献で指摘されているエネルギー分解限界(ERL, Energy Resolution Limit)は, 桁違いに超えることがある。
  論文  参考訳（メタデータ） (2021-04-29T15:44:12Z)
• Ferromagnetic Gyroscopes for Tests of Fundamental Physics [49.853792068336034]
  強磁性ジャイロスコープ(英: ferromagnetic gyroscope、FG)は、強磁性体で、角運動量が電子スピンの偏極によって支配され、外部トルクの作用の下で進行する。 我々はFGの力学と感度をモデル化し、実験的な実現のための実践的なスキームに焦点をあてる。
  論文  参考訳（メタデータ） (2020-10-17T07:13:50Z)
• 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。