論文の概要: Crossing the Sim2Real Gap Between Simulation and Ground Testing to Space Deployment of Autonomous Free-flyer Control

• arxiv url: http://arxiv.org/abs/2512.03736v1
• Date: Wed, 03 Dec 2025 12:33:35 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 11:58:51.616593
• Title: Crossing the Sim2Real Gap Between Simulation and Ground Testing to Space Deployment of Autonomous Free-flyer Control
• Title（参考訳）: 自律型フリーフライア制御の宇宙展開へのシミュレーションと地上試験の間のSim2Realギャップの交差
• Authors: Kenneth Stewart, Samantha Chapin, Roxana Leontie, Carl Glen Henshaw,
• Abstract要約: 強化学習(Reinforcement Learning, RL)は、宇宙におけるロボット制御の変革的なポテンシャルを提供する。 国際宇宙ステーション(ISS)の無人飛行ロボット、NASA AstrobeeのRLによる自律制御の初の軌道上でのデモンストレーションを紹介する。 NVIDIAのOmniverse物理シミュレータとカリキュラム学習を使用して、Astrobeeの標準姿勢と翻訳制御を置き換えるために、ディープニューラルネットワークをトレーニングし、微小重力でナビゲートできるようにしました。
• 参考スコア（独自算出の注目度）: 0.12194516968349499
• License:
• Abstract: Reinforcement learning (RL) offers transformative potential for robotic control in space. We present the first on-orbit demonstration of RL-based autonomous control of a free-flying robot, the NASA Astrobee, aboard the International Space Station (ISS). Using NVIDIA's Omniverse physics simulator and curriculum learning, we trained a deep neural network to replace Astrobee's standard attitude and translation control, enabling it to navigate in microgravity. Our results validate a novel training pipeline that bridges the simulation-to-reality (Sim2Real) gap, utilizing a GPU-accelerated, scientific-grade simulation environment for efficient Monte Carlo RL training. This successful deployment demonstrates the feasibility of training RL policies terrestrially and transferring them to space-based applications. This paves the way for future work in In-Space Servicing, Assembly, and Manufacturing (ISAM), enabling rapid on-orbit adaptation to dynamic mission requirements.
• Abstract（参考訳）: 強化学習(Reinforcement Learning, RL)は、宇宙におけるロボット制御の変革的なポテンシャルを提供する。 国際宇宙ステーション(ISS)の無人飛行ロボット、NASA Astrobeeの軌道上における自律制御の初めての実演を紹介する。 NVIDIAのOmniverse物理シミュレータとカリキュラム学習を使用して、Astrobeeの標準姿勢と翻訳制御を置き換えるために、ディープニューラルネットワークをトレーニングし、微小重力でナビゲートできるようにしました。 シミュレーション・トゥ・リアリティ(Sim2Real)ギャップを埋める新たなトレーニングパイプラインを,GPUを高速化した科学レベルのシミュレーション環境を利用して,モンテカルロRLの効率的なトレーニングを行う。 このデプロイメントが成功したことは、RLポリシーを不安定にトレーニングし、それらを宇宙ベースのアプリケーションに転送する可能性を示している。 これにより、今後の宇宙開発、組み立て、製造(ISAM)の道が開け、ダイナミックなミッション要求への軌道上での迅速な適応を可能にします。

関連論文リスト

• Autonomous Reinforcement Learning Robot Control with Intel's Loihi 2 Neuromorphic Hardware [0.8456719958710218]
  ニューロモルフィックハードウェア上に強化学習訓練されたニューラルネットワークを展開するためのエンドツーエンドパイプラインを提案する。 我々は、完全にシミュレーションで訓練されたANNポリシーを、IntelのLoihi 2アーキテクチャと互換性のあるSDNNに変換することを実証した。 その結果, ロボット制御のためのニューロモルフィックプラットフォームの実現可能性を強調し, エネルギー効率, リアルタイムニューロモルフィック計算への道を開いた。
  論文  参考訳（メタデータ） (2025-12-03T15:56:39Z)
• Autonomous Planning In-space Assembly Reinforcement-learning free-flYer (APIARY) International Space Station Astrobee Testing [0.12194516968349499]
  米国海軍研究所(NRL)の自律計画宇宙組み立て強化学習(APIary)実験は、宇宙のゼロ重力環境における自由飛行ロボットの制御に強化学習(RL)を用いることを開拓した。 2025年5月27日火曜日、NASAのアストローブ・ロボットが国際宇宙ステーション(ISS)に着陸した。 アクター・クリティカルを用いた頑健な自由度制御政策(DOF)の訓練
  論文  参考訳（メタデータ） (2025-12-03T12:16:52Z)
• Cosmos-Transfer1: Conditional World Generation with Adaptive Multimodal Control [97.98560001760126]
  複数の空間制御入力に基づいて世界シミュレーションを生成する条件付き世界生成モデルであるCosmos-Transferを導入する。 提案したモデルを解析し,ロボット2Realや自律走行車データ豊かさを含む物理AIへの応用を実証するために評価を行う。
  論文  参考訳（メタデータ） (2025-03-18T17:57:54Z)
• An Open-source Sim2Real Approach for Sensor-independent Robot Navigation in a Grid [0.0]
  シミュレーション環境で訓練されたエージェントと、同様の環境でロボットをナビゲートする実際の実装とのギャップを橋渡しする。 具体的には、Gymnasium Frozen Lakeにインスパイアされた現実世界のグリッドのような環境で四足歩行ロボットをナビゲートすることに焦点を当てる。
  論文  参考訳（メタデータ） (2024-11-05T20:18:29Z)
• Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
  本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。 まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。 このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
  論文  参考訳（メタデータ） (2024-06-21T13:48:37Z)
• Sim-to-Real via Sim-to-Seg: End-to-end Off-road Autonomous Driving Without Real Data [56.49494318285391]
  我々は、オフロード自動運転の視覚的現実的ギャップを横断するRCANを再想像するSim2Segを紹介する。 これは、ランダム化されたシミュレーション画像をシミュレートされたセグメンテーションと深さマップに変換する学習によって行われる。 これにより、シミュレーションでエンドツーエンドのRLポリシーをトレーニングし、現実世界に直接デプロイできます。
  論文  参考訳（メタデータ） (2022-10-25T17:50:36Z)
• RL STaR Platform: Reinforcement Learning for Simulation based Training of Robots [3.249853429482705]
  強化学習(Reinforcement Learning, RL)は、宇宙ロボット工学における自律性と意思決定能力を高めるための、有望な分野である。 本稿では,RL STaRプラットフォームについて紹介する。
  論文  参考訳（メタデータ） (2020-09-21T03:09:53Z)
• RL-CycleGAN: Reinforcement Learning Aware Simulation-To-Real [74.45688231140689]
  本稿では、画像翻訳におけるRL-scene整合性損失を導入し、画像に関連付けられたQ値に対して変換操作が不変であることを保証する。 RL-CycleGANは実世界のシミュレーションから実世界への変換による強化学習のための新しい手法である。
  論文  参考訳（メタデータ） (2020-06-16T08:58:07Z)

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。