論文の概要: Robust Deep Learning Control with Guaranteed Performance for Safe and Reliable Robotization in Heavy-Duty Machinery
- arxiv url: http://arxiv.org/abs/2512.23505v1
- Date: Mon, 29 Dec 2025 14:46:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:40.55269
- Title: Robust Deep Learning Control with Guaranteed Performance for Safe and Reliable Robotization in Heavy-Duty Machinery
- Title（参考訳）: 重機における安全かつ信頼性の高いロボット化のための性能保証型ロバスト深層学習制御
- Authors: Mehdi Heydari Shahna,
- Abstract要約: 重厚なモバイルマシン(HDMM)は、ディーゼル油圧アクチュエーターから、気候目標によって駆動されるクリーンな電気システムへの移行と、人間の監督からより大きな自律性への移行の2つに直面している。
この論文は、エネルギー源に依存しない汎用的なモジュラーアプローチにより、電化HDMMの制御設計を単純化する制御フレームワークを開発する。
- 参考スコア（独自算出の注目度）: 1.3537117504260623
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Today's heavy-duty mobile machines (HDMMs) face two transitions: from diesel-hydraulic actuation to clean electric systems driven by climate goals, and from human supervision toward greater autonomy. Diesel-hydraulic systems have long dominated, so full electrification, via direct replacement or redesign, raises major technical and economic challenges. Although advanced artificial intelligence (AI) could enable higher autonomy, adoption in HDMMs is limited by strict safety requirements, and these machines still rely heavily on human supervision. This dissertation develops a control framework that (1) simplifies control design for electrified HDMMs through a generic modular approach that is energy-source independent and supports future modifications, and (2) defines hierarchical control policies that partially integrate AI while guaranteeing safety-defined performance and stability. Five research questions align with three lines of investigation: a generic robust control strategy for multi-body HDMMs with strong stability across actuation types and energy sources; control solutions that keep strict performance under uncertainty and faults while balancing robustness and responsiveness; and methods to interpret and trust black-box learning strategies so they can be integrated stably and verified against international safety standards. The framework is validated in three case studies spanning different actuators and conditions, covering heavy-duty mobile robots and robotic manipulators. Results appear in five peer-reviewed publications and one unpublished manuscript, advancing nonlinear control and robotics and supporting both transitions.
- Abstract（参考訳）: 今日の重厚なモバイルマシン(HDMM)は、ディーゼル油圧アクチュエーターから、気候目標によって駆動されるクリーンな電気システム、そして人間の監督からより大きな自律性への2つの移行に直面している。
ディーゼル油圧システムは長い間支配的であり、直接の交換や再設計を通じて完全な電気化が技術的、経済的な課題を提起している。
高度な人工知能(AI)はより高い自律性を実現することができるが、HDMMの採用は厳格な安全要件によって制限されており、これらのマシンは依然として人間の監督に大きく依存している。
本論文は,1)エネルギー源に依存しない,将来の改良をサポートする汎用的なモジュールアプローチにより,電化HDMMの制御設計を簡略化する制御フレームワークを開発し,(2)AIを部分的に統合し,安全性と安定性を保証しながら,階層的な制御ポリシーを定義する。
動作タイプやエネルギー源の安定性が強い多体HDMMの汎用的ロバスト制御戦略,ロバスト性と応答性のバランスを保ちながら不確実性と欠陥の下で厳密なパフォーマンスを維持する制御ソリューション,ブラックボックス学習戦略を安定して統合し,国際安全基準に対して検証できるように解釈し,信頼する手法,の3点が研究課題である。
このフレームワークは、さまざまなアクチュエーターと条件にまたがる3つのケーススタディで検証され、重厚な移動ロボットとロボットマニピュレータをカバーする。
結果は、5つの査読された出版物と1つの未発表の原稿に現れ、非線形制御とロボット工学を進歩させ、両方の移行をサポートする。
関連論文リスト
- Hybrid Offline-Online Reinforcement Learning for Sensorless, High-Precision Force Regulation in Surgical Robotic Grasping [2.874057693956189]
物理一貫性モデリングとハイブリッド強化学習を組み合わせたセンサレス制御フレームワークを提案する。
本研究では,電気・伝達・顎運動の結合を捉えるダ・ヴィンチ・シグルーピング機構の第1原理のディジタル双極子を開発した。
シミュレーションでは、マルチハーモニック顎運動において、コントローラは所望の基準の1%以内の把持力を維持できる。
論文 参考訳（メタデータ） (2026-02-27T10:11:59Z) - BarrierSteer: LLM Safety via Learning Barrier Steering [83.12893815611052]
BarrierSteerは、学習した非線形安全性制約を直接モデルの潜在表現空間に埋め込むことで、安全性を形式化する新しいフレームワークである。
BarrierSteerは、敵の成功率を大幅に低下させ、安全でない世代を減少させ、既存の手法より優れていることを示す。
論文 参考訳（メタデータ） (2026-02-23T18:19:46Z) - EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。
しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。
実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
論文 参考訳（メタデータ） (2026-01-29T11:33:49Z) - Agentic Confidence Calibration [67.50096917021521]
Holistic Trajectory (HTC)はAIエージェントの新しい診断フレームワークである。
HTCはキャリブレーションと差別の両方において、強力なベースラインを一貫して超えている。
HTCは、障害の背後にあるシグナルを明らかにすることによって、解釈可能性を提供する。
論文 参考訳（メタデータ） (2026-01-22T09:08:25Z) - NMPC-Augmented Visual Navigation and Safe Learning Control for Large-Scale Mobile Robots [4.014524824655106]
大型移動ロボット (LSMR) は高次多体システムであり、しばしば緩やかで不整合な地形で動作する。
本稿では,LSMRのための総合的なナビゲーション制御フレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-02T08:40:35Z) - Assured Autonomy: How Operations Research Powers and Orchestrates Generative AI Systems [18.881800772626427]
生成モデルは、実現可能性、分散シフトに対する堅牢性、ストレステストを提供するメカニズムと組み合わせない限り、運用領域で脆弱である可能性がある、と我々は主張する。
我々は,運用研究に根ざした自律性確保のための概念的枠組みを開発する。
これらの要素は、安全クリティカルで信頼性に敏感な運用領域における自律性を保証するための研究アジェンダを定義する。
論文 参考訳（メタデータ） (2025-12-30T04:24:06Z) - Explainable AI-Enhanced Supervisory Control for Robust Multi-Agent Robotic Systems [0.0]
マルチエージェントロボットのためのAI強化型監視制御フレームワークを提案する。
我々は、このアプローチを、宇宙船形成飛行と自律水中車両の2つの対照的な領域で検証した。
論文 参考訳（メタデータ） (2025-09-18T23:59:13Z) - DriveAgent-R1: Advancing VLM-based Autonomous Driving with Active Perception and Hybrid Thinking [33.98300989562812]
本稿では,計画のためのアクティブな認識が可能な最初の自律運転エージェントであるDriveAgent-R1を紹介する。
複雑なシナリオでは、DriveAgent-R1は視覚的推論を行うためのツールを積極的に呼び出し、その決定を視覚的証拠にしっかりと基礎づける。
本稿では,人間ドライバーの認知パターンにインスパイアされたハイブリッド思考フレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-28T14:33:15Z) - Automating Steering for Safe Multimodal Large Language Models [58.36932318051907]
基礎モデルの微調整を必要とせず,モジュール型かつ適応型推論時間介入技術であるAutoSteerを導入する。
AutoSteerは,(1)モデル内部層間の最も安全性に関連のある識別を自動的に行う新しい安全意識スコア(SAS),(2)中間表現から有害な出力の可能性を推定するために訓練された適応安全プローバ,(3)安全性のリスクが検出された場合に生成を選択的に介入する軽量な拒絶ヘッドの3つのコアコンポーネントを組み込んだ。
論文 参考訳（メタデータ） (2025-07-17T16:04:55Z) - Generative AI for Autonomous Driving: Frontiers and Opportunities [145.6465312554513]
この調査は、自律運転スタックにおけるGenAIの役割の包括的合成を提供する。
まず、VAE、GAN、拡散モデル、および大規模言語モデルを含む、現代の生成モデリングの原則とトレードオフを蒸留することから始めます。
我々は、合成データ一般化、エンドツーエンド駆動戦略、高忠実なデジタルツインシステム、スマートトランスポートネットワーク、具体化されたAIへのクロスドメイン転送など、実用的な応用を分類する。
論文 参考訳（メタデータ） (2025-05-13T17:59:20Z)
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。