論文の概要: Data-driven control of hydraulic impact hammers under strict operational and control constraints

• arxiv url: http://arxiv.org/abs/2601.07813v1
• Date: Mon, 12 Jan 2026 18:45:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.751073
• Title: Data-driven control of hydraulic impact hammers under strict operational and control constraints
• Title（参考訳）: 厳密な運転・制御制約下における水圧衝撃ハンマーのデータ駆動制御
• Authors: Francisco Leiva, Claudio Canales, Michelle Valenzuela, Javier Ruiz-del-Solar,
• Abstract要約: 本稿では,静水圧衝撃ハンマー(ロックブレーカー)の制御のためのデータ駆動方式を提案する。 提案手法では,センサの制限による観測不能な状態変数など,いくつかの制約が考慮されている。 ポリシー合成では、強化学習(RL)とモデル予測制御(MPC)のアルゴリズムが併用され、対比される。
• 参考スコア（独自算出の注目度）: 3.896522371366838
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a data-driven methodology for the control of static hydraulic impact hammers, also known as rock breakers, which are commonly used in the mining industry. The task addressed in this work is that of controlling the rock-breaker so its end-effector reaches arbitrary target poses, which is required in normal operation to place the hammer on top of rocks that need to be fractured. The proposed approach considers several constraints, such as unobserved state variables due to limited sensing and the strict requirement of using a discrete control interface at the joint level. First, the proposed methodology addresses the problem of system identification to obtain an approximate dynamic model of the hydraulic arm. This is done via supervised learning, using only teleoperation data. The learned dynamic model is then exploited to obtain a controller capable of reaching target end-effector poses. For policy synthesis, both reinforcement learning (RL) and model predictive control (MPC) algorithms are utilized and contrasted. As a case study, we consider the automation of a Bobcat E10 mini-excavator arm with a hydraulic impact hammer attached as end-effector. Using this machine, both the system identification and policy synthesis stages are studied in simulation and in the real world. The best RL-based policy consistently reaches target end-effector poses with position errors below 12 cm and pitch angle errors below 0.08 rad in the real world. Considering that the impact hammer has a 4 cm diameter chisel, this level of precision is sufficient for breaking rocks. Notably, this is accomplished by relying only on approximately 68 min of teleoperation data to train and 8 min to evaluate the dynamic model, and without performing any adjustments for a successful policy Sim2Real transfer. A demonstration of policy execution in the real world can be found in https://youtu.be/e-7tDhZ4ZgA.
• Abstract（参考訳）: 本稿では, 岩盤破砕機(岩盤破砕機)として知られ, 鉱業で一般的に使用されている静水圧衝撃ハンマーの制御のためのデータ駆動手法を提案する。 この作業で対処されるタスクは、ロックブレーカーを制御して、エンドエフェクターが任意のターゲットのポーズに達するようにすることだ。 提案手法では,センサの制限による未観測状態変数や,ジョイントレベルでの個別制御インタフェースの使用に関する厳密な要件など,いくつかの制約が考慮されている。 まず,システム同定の問題に対処し,油圧アームの近似力学モデルを求める。 これは教師付き学習を通じて行われ、遠隔操作データのみを使用する。 学習したダイナミックモデルを利用して、ターゲットのエンドエフェクタポーズに到達可能なコントローラを得る。 ポリシー合成では、強化学習(RL)とモデル予測制御(MPC)のアルゴリズムが併用され、対比される。 ケーススタディとして、エンドエフェクターとして油圧衝撃ハンマーを装着したBobcat E10ミニエクサベータアームの自動化を検討する。 この装置を用いて,シミュレーションおよび実世界において,システム同定とポリシ合成の段階について検討した。 最高のRLベースのポリシーは、目標のエンドエフェクターに常に届き、位置誤差は12cm以下、ピッチ角誤差は0.08rad以下である。 衝撃ハンマーの直径が4cmほどあることを考えると、この精度は岩を壊すのに十分である。 特に、動的モデルを評価するために、遠隔操作データの約68分と8分にのみ依存し、Sim2Real転送を成功させるような調整を行なわずに達成されている。 実世界のポリシー実行のデモはhttps://youtu.be/e-7tDhZ4ZgAで見ることができる。

関連論文リスト

• Data-Driven Control of a Magnetically Actuated Fish-Like Robot [2.5782420501870296]
  磁力で動く魚のようなロボットは、小型化と機敏さのために水中探査に有望なソリューションを提供する。 本稿では、解析モデルに頼ることなく、これらの複雑さに対処するデータ駆動制御フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-05T04:08:08Z)
• Imitation learning-based spacecraft rendezvous and docking method with Expert Demonstration [8.727025636218528]
  既存の宇宙船のランデブーとドッキング制御方法は、事前に定義された動的モデルに依存している。 本稿では,専門家による実証から制御ポリシーを学習するImitation Learningベースのフレームワークを提案する。 提案手法は高精度でエネルギー効率の良いモデルレスランデブーとドッキング制御を実現する。
  論文  参考訳（メタデータ） (2026-01-19T10:58:26Z)
• 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)
• Offline Robotic World Model: Learning Robotic Policies without a Physics Simulator [50.191655141020505]
  強化学習(Reinforcement Learning, RL)は、ロボット制御において目覚ましい能力を示してきたが、高いサンプルの複雑さ、安全性の懸念、そしてシム・トゥ・リアルのギャップのため、依然として困難である。 物理シミュレータに頼らずに政策学習を改善するために不確実性を明示的に推定するモデルベースアプローチであるオフラインロボット世界モデル(RWM-O)を導入する。
  論文  参考訳（メタデータ） (2025-04-23T12:58:15Z)
• CHEQ-ing the Box: Safe Variable Impedance Learning for Robotic Polishing [5.467140383171385]
  本研究では, 可変インピーダンスを有するロボット研磨のためのハイブリッドRLアルゴリズムCHEQの実験的検討を行った。 ハードウェア上では、CHEQは効果的な研磨動作を実現し、8時間のトレーニングを必要とせず、5回の障害しか発生しない。 その結果、ハードウェア上で直接訓練された実世界のコンタクトリッチなタスクに対して、適応型ハイブリッドRLの可能性を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-01-14T10:13:41Z)
• Real-Time Model-Free Deep Reinforcement Learning for Force Control of a Series Elastic Actuator [56.11574814802912]
  最先端のロボットアプリケーションは、歩行、揚力、操作などの複雑なタスクを達成するために、閉ループ力制御を備えた連続弾性アクチュエータ(SEAs)を使用する。 モデルフリーPID制御法はSEAの非線形性により不安定になりやすい。 深層強化学習は連続制御タスクに有効なモデルレス手法であることが証明されている。
  論文  参考訳（メタデータ） (2023-04-11T00:51:47Z)
• Safe Reinforcement Learning using Data-Driven Predictive Control [0.5459797813771499]
  安全でない動作のフィルタとして機能するデータ駆動型安全層を提案する。 安全層は、提案されたアクションが安全でない場合にRLエージェントをペナルティ化し、最も安全なものに置き換える。 本手法は,ロボットナビゲーション問題において,最先端の安全RL法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-11-20T17:10:40Z)
• OSCAR: Data-Driven Operational Space Control for Adaptive and Robust Robot Manipulation [50.59541802645156]
  オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。 本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。 本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2021-10-02T01:21:38Z)
• Meta-Reinforcement Learning for Robotic Industrial Insertion Tasks [70.56451186797436]
  本研究では,メタ強化学習を用いてシミュレーションの課題の大部分を解決する方法について検討する。 エージェントを訓練して現実の挿入タスクを成功させる手法を実証する。
  論文  参考訳（メタデータ） (2020-04-29T18:00:22Z)

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。