論文の概要: NMPC-Augmented Visual Navigation and Safe Learning Control for Large-Scale Mobile Robots
- arxiv url: http://arxiv.org/abs/2601.00609v1
- Date: Fri, 02 Jan 2026 08:40:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:40.604541
- Title: NMPC-Augmented Visual Navigation and Safe Learning Control for Large-Scale Mobile Robots
- Title（参考訳）: NMPCによる大規模移動ロボットの視覚ナビゲーションと安全学習制御
- Authors: Mehdi Heydari Shahna, Pauli Mustalahti, Jouni Mattila,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 4.014524824655106
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A large-scale mobile robot (LSMR) is a high-order multibody system that often operates on loose, unconsolidated terrain, which reduces traction. This paper presents a comprehensive navigation and control framework for an LSMR that ensures stability and safety-defined performance, delivering robust operation on slip-prone terrain by jointly leveraging high-performance techniques. The proposed architecture comprises four main modules: (1) a visual pose-estimation module that fuses onboard sensors and stereo cameras to provide an accurate, low-latency robot pose, (2) a high-level nonlinear model predictive control that updates the wheel motion commands to correct robot drift from the robot reference pose on slip-prone terrain, (3) a low-level deep neural network control policy that approximates the complex behavior of the wheel-driven actuation mechanism in LSMRs, augmented with robust adaptive control to handle out-of-distribution disturbances, ensuring that the wheels accurately track the updated commands issued by high-level control module, and (4) a logarithmic safety module to monitor the entire robot stack and guarantees safe operation. The proposed low-level control framework guarantees uniform exponential stability of the actuation subsystem, while the safety module ensures the whole system-level safety during operation. Comparative experiments on a 6,000 kg LSMR actuated by two complex electro-hydrostatic drives, while synchronizing modules operating at different frequencies.
- Abstract（参考訳）: 大型移動ロボット (LSMR) は高次の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し、トラクションを減少させる。
本稿では,LSMRの総合的なナビゲーション・コントロール・フレームワークについて,安定性と安全性を保証し,高機能化を両立させることにより,滑りやすい地形でのロバストな操作を実現する。
提案アーキテクチャは,(1)センサーとステレオカメラを融合して,高精度で低遅延のロボットポーズを提供する視覚的ポーズ推定モジュール,(2)ロボットの基準姿勢からロボットのドリフトを正すための車輪動作コマンドを更新する高レベル非線形モデル予測制御,(3)LSMRにおける車輪駆動アクチュエータ機構の複雑な動作を近似する低レベルディープニューラルネットワーク制御ポリシ,(2)高レベル制御モジュールによって発行されたコマンドを正確に追跡すること,(4)ロボットスタック全体を監視する対数安全モジュール,の4つの主要モジュールから構成される。
提案する低レベル制御フレームワークはアクティベーションサブシステムの均一な指数的安定性を保証し,安全モジュールは操作中のシステムレベルの安全性を保証している。
2つの複雑な静水圧駆動で作動する6000 kg LSMRの比較実験を行い、異なる周波数で動作するモジュールを同期させた。
関連論文リスト
- Autonomous Manipulation of Hazardous Chemicals and Delicate Objects in a Self-Driving Laboratory: A Sliding Mode Approach [3.7215125870216013]
スライディングモード制御(SMC)は、マニピュレータ力学における不確実性や乱れを管理するための堅牢なアプローチとして登場した。
本研究では,モビリティプラットフォームに搭載されたマニピュレータの動作を制御するために,双曲型タンジェント関数を用いたモデルベースSMC(MBSMC)を実装した。
PID, NMBSMCと比較すると, MBSMCはよりスムーズな運動, 最大90%の制御作業が達成された。
論文 参考訳（メタデータ） (2026-01-18T21:05:47Z) - Vision-based Goal-Reaching Control for Mobile Robots Using a Hierarchical Learning Framework [4.014524824655106]
本稿では,システム全体を密結合した関数モジュールの集合に分解する。
提案手法は,アクティベーションシステムの均一な指数的安定性と全動作の安全性を保証する。
論文 参考訳（メタデータ） (2026-01-02T08:41:47Z) - Robust Deep Learning Control with Guaranteed Performance for Safe and Reliable Robotization in Heavy-Duty Machinery [1.3537117504260623]
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。
論文 参考訳（メタデータ） (2025-12-29T14:46:23Z) - TARC: Time-Adaptive Robotic Control [48.61871569444481]
ロボット工学における固定周波数制御は、低周波数制御の効率と高周波制御の堅牢性との間のトレードオフを課す。
我々は、ポリシーが制御行動とその適用期間を共同で選択する強化学習アプローチでこの問題に対処する。
2つの異なるハードウェアプラットフォーム上でのゼロショットsim-to-real実験により本手法の有効性を検証した。
論文 参考訳（メタデータ） (2025-10-27T10:10:19Z) - 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) - Hierarchical Decision-Making for Autonomous Navigation: Integrating Deep Reinforcement Learning and Fuzzy Logic in Four-Wheel Independent Steering and Driving Systems [19.641592340569577]
本稿では,4WISDシステムにおける自律ナビゲーションのための階層的意思決定フレームワークを提案する。
提案手法は,高レベルナビゲーションのための深層強化学習とファジィロジックを統合し,タスク性能と物理的実現性の両方を保証する。
論文 参考訳（メタデータ） (2025-08-22T17:57:56Z) - 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) - Designing Control Barrier Function via Probabilistic Enumeration for Safe Reinforcement Learning Navigation [55.02966123945644]
本稿では,ニューラルネットワーク検証技術を利用して制御障壁関数(CBF)とポリシー修正機構の設計を行う階層型制御フレームワークを提案する。
提案手法は,安全なCBFベースの制御層を構築するために使用される,安全でない操作領域を特定するための確率的列挙に依存する。
これらの実験は、効率的なナビゲーション動作を維持しながら、安全でない動作を補正する提案手法の能力を実証するものである。
論文 参考訳（メタデータ） (2025-04-30T13:47:25Z) - SafeAuto: Knowledge-Enhanced Safe Autonomous Driving with Multimodal Foundation Models [63.71984266104757]
我々は、構造化されていない知識と構造化されていない知識の両方を取り入れることで、MLLMベースの自動運転を強化するフレームワークであるSafeAutoを提案する。
安全知識を明示的に統合するため,交通ルールを一階述語論理に変換する推論コンポーネントを開発した。
我々のマルチモーダル検索・拡張生成モデルは、過去の運転経験から学ぶために、ビデオ、制御信号、環境特性を活用する。
論文 参考訳（メタデータ） (2025-02-28T21:53:47Z) - Learned Risk Metric Maps for Kinodynamic Systems [54.49871675894546]
本研究では,高次元力学系のコヒーレントリスクメトリクスをリアルタイムに推定するための学習型リスクメトリクスマップを提案する。
LRMMモデルは設計と訓練が簡単で、障害セットの手続き的生成、状態と制御のサンプリング、および関数近似器の教師付きトレーニングのみを必要とする。
論文 参考訳（メタデータ） (2023-02-28T17:51:43Z)
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。