論文の概要: Towards reliable subsea object recovery: a simulation study of an auv with a suction-actuated end effector

• arxiv url: http://arxiv.org/abs/2601.01106v1
• Date: Sat, 03 Jan 2026 07:55:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.612794
• Title: Towards reliable subsea object recovery: a simulation study of an auv with a suction-actuated end effector
• Title（参考訳）: 信頼性のある海底物体の回収を目指して--吸引作動端エフェクタを用いたAuvのシミュレーション研究
• Authors: Michele Grimaldi, Yosaku Maeda, Hitoshi Kakami, Ignacio Carlucho, Yvan Petillot, Tomoya Inoue,
• Abstract要約: 本稿では,ハダル小型車両(HSV)を用いた完全自律海底物体回収ミッションのシミュレーションに基づく研究について述べる。 ストーンフィッシュシミュレーターは、現実的な車両力学、流体力学の障害、センシング、およびハダルのような条件下での標的物体との相互作用をモデル化するために使用される。 HSVは海面から6000mまで自律的に降下し、構造的な海底被覆を行い、対象物を検出し、吸引による回復を行う。
• 参考スコア（独自算出の注目度）: 1.1984905847118061
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous object recovery in the hadal zone is challenging due to extreme hydrostatic pressure, limited visibility and currents, and the need for precise manipulation at full ocean depth. Field experimentation in such environments is costly, high-risk, and constrained by limited vehicle availability, making early validation of autonomous behaviors difficult. This paper presents a simulation-based study of a complete autonomous subsea object recovery mission using a Hadal Small Vehicle (HSV) equipped with a three-degree-of-freedom robotic arm and a suction-actuated end effector. The Stonefish simulator is used to model realistic vehicle dynamics, hydrodynamic disturbances, sensing, and interaction with a target object under hadal-like conditions. The control framework combines a world-frame PID controller for vehicle navigation and stabilization with an inverse-kinematics-based manipulator controller augmented by acceleration feed-forward, enabling coordinated vehicle - manipulator operation. In simulation, the HSV autonomously descends from the sea surface to 6,000 m, performs structured seafloor coverage, detects a target object, and executes a suction-based recovery. The results demonstrate that high-fidelity simulation provides an effective and low-risk means of evaluating autonomous deep-sea intervention behaviors prior to field deployment.
• Abstract（参考訳）: ハダルゾーンでの自律的な物体の回収は、極度の静水圧、視界と電流の制限、および完全な海洋深度での正確な操作の必要性により困難である。 このような環境でのフィールド実験はコストが高く、リスクが高く、車両の可用性が制限されているため、自律的な行動の早期検証は困難である。 本稿では,3自由度ロボットアームと吸引作動型エンドエフェクタを備えたハダル小型車両(HSV)を用いた,完全自律海底物体回収ミッションのシミュレーションに基づく検討を行った。 ストーンフィッシュシミュレーターは、現実的な車両力学、流体力学の障害、センシング、およびハダルのような条件下での標的物体との相互作用をモデル化するために使用される。 制御フレームワークは、車両ナビゲーションと安定化のための世界フレームのPIDコントローラと、加速度フィードフォワードで強化された逆動翼型マニピュレータコントローラを組み合わせることで、調整された車両 - マニピュレータ操作を可能にする。 シミュレーションでは、HSVは海面から6000mまで自律的に降下し、構造化された海底被覆を行い、対象物を検出し、吸引による回復を行う。 その結果,高忠実度シミュレーションは,現場展開前の自律深海介入行動を評価する上で,効果的かつ低リスクな手段であることがわかった。

関連論文リスト

• Sim-to-reality adaptation for Deep Reinforcement Learning applied to an underwater docking application [0.0]
  Deep Reinforcement Learning (DRL)は、自律的な水中ドッキングのための従来の制御方法に代わる堅牢な代替手段を提供する。 本稿では,高忠実なディジタル双生児環境を活用することで,ジローナ自律水中車両(AUV)を用いた自律ドッキングの体系的アプローチを提案する。
  論文  参考訳（メタデータ） (2026-03-12T15:01:25Z)
• MetAdv: A Unified and Interactive Adversarial Testing Platform for Autonomous Driving [85.04826012938642]
  MetAdvは、現実的でダイナミックでインタラクティブな評価を可能にする、新しい対向テストプラットフォームである。 フレキシブルな3D車両モデリングと、シミュレートされた環境と物理的環境のシームレスな遷移をサポートする。 生理的信号のリアルタイムキャプチャとドライバからの行動フィードバックを可能にする。
  論文  参考訳（メタデータ） (2025-08-04T03:07:54Z)
• NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
  我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。 グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。 我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
  論文  参考訳（メタデータ） (2025-06-23T14:28:30Z)
• GeoDrive: 3D Geometry-Informed Driving World Model with Precise Action Control [50.67481583744243]
  実世界モデルにロバストな3次元形状条件を明示的に統合したGeoDriveを紹介する。 車両の位置を編集することでレンダリングを強化するため,トレーニング中の動的編集モジュールを提案する。 動作精度と空間認識の両面で既存のモデルよりも優れていた。
  論文  参考訳（メタデータ） (2025-05-28T14:46:51Z)
• Underwater Soft Fin Flapping Motion with Deep Neural Network Based Surrogate Model [0.31457219084519]
  本研究では、深部ニューラルネットワーク(DNN)に基づく代理モデルと強化学習(RL)を組み合わせることにより、フィン作動型水中ロボットの精密力制御のための新しい枠組みを提案する。 水中環境との複雑な相互作用と高い実験コストに対処するため、代理モデルがRLエージェントの効率的な訓練を可能にするシミュレータとして機能する。
  論文  参考訳（メタデータ） (2025-02-05T12:57:53Z)
• Sim-to-Real Transfer of Adaptive Control Parameters for AUV Stabilization under Current Disturbance [1.099532646524593]
  本稿では,最大エントロピー深層強化学習フレームワークを古典的なモデルベース制御アーキテクチャと組み合わせ,適応制御系を定式化する新しい手法を提案する。 本フレームワークでは,バイオインスパイアされた体験再生機構,拡張されたドメインランダム化手法,物理プラットフォーム上で実行される評価プロトコルなどを含むSim-to-Real転送戦略を導入する。 実験により,AUVの準最適モデルから有能なポリシを効果的に学習し,実車への移動時の制御性能を3倍に向上することを示した。
  論文  参考訳（メタデータ） (2023-10-17T08:46:56Z)
• Learning Terrain-Aware Kinodynamic Model for Autonomous Off-Road Rally Driving With Model Predictive Path Integral Control [4.23755398158039]
  本稿では,固有受容情報と外部受容情報の両方に基づいて,地形を考慮したキノダイナミクスモデルを学習する手法を提案する。 提案モデルでは、6自由度運動の信頼性予測が生成され、接触相互作用を推定することもできる。 シミュレーションされたオフロードトラック実験により提案手法の有効性を実証し,提案手法がベースラインより優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-01T06:09:49Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)

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。