論文の概要: ARCADE: Adaptive Robot Control with Online Changepoint-Aware Bayesian Dynamics Learning

• arxiv url: http://arxiv.org/abs/2512.14331v1
• Date: Tue, 16 Dec 2025 11:57:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.37466
• Title: ARCADE: Adaptive Robot Control with Online Changepoint-Aware Bayesian Dynamics Learning
• Title（参考訳）: ARCADE:オンライン変化点認識型ベイズダイナミクス学習による適応型ロボット制御
• Authors: Rishabh Dev Yadav, Avirup Das, Hongyu Song, Samuel Kaski, Wei Pan,
• Abstract要約: 現実のロボットは、動作条件の変化、外乱、非モデル化効果による進化力学の下で動作しなければならない。 本稿では,ストリーミングデータからリアルタイムで更新可能なロボットシステムの非線形ダイナミクスをモデル化するフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 21.923263785405194
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-world robots must operate under evolving dynamics caused by changing operating conditions, external disturbances, and unmodeled effects. These may appear as gradual drifts, transient fluctuations, or abrupt shifts, demanding real-time adaptation that is robust to short-term variation yet responsive to lasting change. We propose a framework for modeling the nonlinear dynamics of robotic systems that can be updated in real time from streaming data. The method decouples representation learning from online adaptation, using latent representations learned offline to support online closed-form Bayesian updates. To handle evolving conditions, we introduce a changepoint-aware mechanism with a latent variable inferred from data likelihoods that indicates continuity or shift. When continuity is likely, evidence accumulates to refine predictions; when a shift is detected, past information is tempered to enable rapid re-learning. This maintains calibrated uncertainty and supports probabilistic reasoning about transient, gradual, or structural change. We prove that the adaptive regret of the framework grows only logarithmically in time and linearly with the number of shifts, competitive with an oracle that knows timings of shift. We validate on cartpole simulations and real quadrotor flights with swinging payloads and mid-flight drops, showing improved predictive accuracy, faster recovery, and more accurate closed-loop tracking than relevant baselines.
• Abstract（参考訳）: 現実のロボットは、動作条件の変化、外乱、非モデル化効果による進化力学の下で動作しなければならない。 これらは漸進的なドリフト、過渡的な変動、あるいは急激なシフトとして現れ、短期的な変化に対して頑健なリアルタイム適応を必要とするが、持続的な変化には反応しない。 本稿では,ストリーミングデータからリアルタイムで更新可能なロボットシステムの非線形ダイナミクスをモデル化するフレームワークを提案する。 この方法はオンライン適応から表現学習を分離し、オフラインで学習した潜在表現を使用して、オンラインクローズドフォームベイズ更新をサポートする。 進化する条件に対処するため,連続性やシフトを示すデータ確率から潜在変数を推定した変更点認識機構を導入する。 連続性が期待される場合には、証拠は予測を洗練させ、シフトが検出されると、過去の情報を誘惑して、迅速な再学習を可能にする。 これは校正された不確実性を維持し、過渡的、漸進的、または構造的変化に関する確率論的推論をサポートする。 フレームワークの適応的後悔は、時間的にのみ対数的に増加し、シフトのタイミングを知っているオラクルと競合するシフトの数とともに直線的に増加することを証明している。 本研究では,揺動ペイロードとミッドフライドロップを併用したカートポールシミュレーションおよび実4軸飛行の検証を行い,予測精度の向上,回収の高速化,ベースラインよりも正確なクローズループ追跡を実現した。

関連論文リスト

• Learn Structure, Adapt on the Fly: Multi-Scale Residual Learning and Online Adaptation for Aerial Manipulators [2.376629619475859]
  自律型空中マニピュレータ(AAM)は本質的に非定常・多スケール残留力学を示す非線形系である。 本稿では,AAMにおけるリアルタイム残差モデリングと補償のための予測適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-12T08:02:43Z)
• Can Large Language Models Keep Up? Benchmarking Online Adaptation to Continual Knowledge Streams [78.9560820155271]
  我々は、ストリーミングよりもオンライン適応を評価し、知識を継続的に更新する。 OAKSはOAKS-BABIとOAKS-Novelの2つのデータセットから構成される。 最先端モデルとエージェントメモリシステムはどちらもOAKSにしっかりと適応できない。
  論文  参考訳（メタデータ） (2026-03-08T00:38:39Z)
• Learning from Yesterday's Error: An Efficient Online Learning Method for Traffic Demand Prediction [6.104967994062357]
  FORESEE(Forecasting Online with Residual Smoothing and Ensemble Experts)は、正確で堅牢で効率的なオンライン適応フレームワークである。 これは、昨日の予測エラーを使用して、各地域の今日の予測を補正する。 バックボーンモデルを用いた7つの実世界のデータセットの実験では、ForESEEは予測精度を一貫して改善し、分散シフトが最小でもロバスト性を維持する。
  論文  参考訳（メタデータ） (2026-02-25T10:19:39Z)
• Axle Sensor Fusion for Online Continual Wheel Fault Detection in Wayside Railway Monitoring [1.1199585259018456]
  本研究は,鉄道断層診断のためのセマンティック・アウェア,ラベル効率のよい連続学習フレームワークを提案する。 このモデルは、フラットやポリゴン化による小さな欠陥を検出しながら、進化する運用条件に適応する。
  論文  参考訳（メタデータ） (2026-02-18T00:14:18Z)
• Time-Scale Coupling Between States and Parameters in Recurrent Neural Networks [3.924071936547547]
  ゲーテッドニューラルネットワーク(RNN)は、適応的な学習速度の振る舞いを暗黙的に誘発する。 効果は状態空間の時間スケールとパラメータ空間のダイナミクスの結合から生じる。 経験的シミュレーションはこれらの主張を裏付ける。
  論文  参考訳（メタデータ） (2025-08-16T18:19:34Z)
• 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)
• Addressing Data Distribution Shifts in Online Machine Learning Powered Smart City Applications Using Augmented Test-Time Adaptation [5.449298202591168]
  データ分散シフトは、機械学習によるスマートシティアプリケーションにおいて一般的な問題である。 本稿では,テスト時間適応を体系的なアクティブな微調整層で実現することを提案する。 提案手法は従来のテスト時間適応を2倍に向上させる。
  論文  参考訳（メタデータ） (2022-11-02T17:36:52Z)
• Change Detection for Local Explainability in Evolving Data Streams [72.4816340552763]
  局所的特徴帰属法はポストホックやモデルに依存しない説明法として人気がある。 ローカルな属性が、ストリーミングやオンラインアプリケーションのような、現実的で絶えず変化する設定でどのように振る舞うかは、しばしば不明である。 局所変化と概念ドリフトを検出するフレキシブルでモデルに依存しないCDLEEDSを提案する。
  論文  参考訳（メタデータ） (2022-09-06T18:38:34Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Learning Fast and Slow for Online Time Series Forecasting [76.50127663309604]
  Fast and Slow Learning Networks (FSNet)は、オンライン時系列予測のための総合的なフレームワークである。 FSNetは、最近の変更への迅速な適応と、同様の古い知識の取得のバランスを取る。 私たちのコードは公開されます。
  論文  参考訳（メタデータ） (2022-02-23T18:23:07Z)

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。