論文の概要: Energy-Efficient Omnidirectional Locomotion for Wheeled Quadrupeds via Predictive Energy-Aware Nominal Gait Selection

• arxiv url: http://arxiv.org/abs/2601.10723v1
• Date: Tue, 23 Dec 2025 09:56:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.798407
• Title: Energy-Efficient Omnidirectional Locomotion for Wheeled Quadrupeds via Predictive Energy-Aware Nominal Gait Selection
• Title（参考訳）: 予測エネルギーを考慮したノミナルゲイト選択による四輪車におけるエネルギー効率の良い全方向移動
• Authors: Xu Yang, Wei Yang, Kaibo He, Bo Yang, Yanan Sui, Yilin Mo,
• Abstract要約: 本稿では,車輪付き四足歩行ロボットの全方向効率を最適化するために,予測パワーモデリングと残留強化学習を統合した階層型制御フレームワークを提案する。 提案手法では,1秒の地平線上での歩行パターンの異なるエネルギー消費を予測できる新しい電力予測ネットワークを用いる。 強化学習ポリシーは、この名目歩行に残留的な調整を生成し、エネルギー効率と性能目標とのバランスをとるためのロボットの動作を微調整する。
• 参考スコア（独自算出の注目度）: 17.713242307107166
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wheeled-legged robots combine the efficiency of wheels with the versatility of legs, but face significant energy optimization challenges when navigating diverse environments. In this work, we present a hierarchical control framework that integrates predictive power modeling with residual reinforcement learning to optimize omnidirectional locomotion efficiency for wheeled quadrupedal robots. Our approach employs a novel power prediction network that forecasts energy consumption across different gait patterns over a 1-second horizon, enabling intelligent selection of the most energy-efficient nominal gait. A reinforcement learning policy then generates residual adjustments to this nominal gait, fine-tuning the robot's actions to balance energy efficiency with performance objectives. Comparative analysis shows our method reduces energy consumption by up to 35\% compared to fixed-gait approaches while maintaining comparable velocity tracking performance. We validate our framework through extensive simulations and real-world experiments on a modified Unitree Go1 platform, demonstrating robust performance even under external disturbances. Videos and implementation details are available at \href{https://sites.google.com/view/switching-wpg}{https://sites.google.com/view/switching-wpg}.
• Abstract（参考訳）: 車輪付き脚ロボットは、車輪の効率と脚の汎用性を組み合わせるが、多様な環境をナビゲートする際には、重要なエネルギー最適化の課題に直面している。 本研究では,車輪付き四足歩行ロボットの全方向移動効率を最適化するために,予測パワーモデリングと残留強化学習を統合した階層型制御フレームワークを提案する。 提案手法では,1秒の地平線上で異なる歩行パターンにまたがるエネルギー消費を予測し,エネルギー効率の高い名目歩行のインテリジェントな選択を可能にする。 強化学習ポリシーは、この名目歩行に残留的な調整を生成し、エネルギー効率と性能目標とのバランスをとるためのロボットの動作を微調整する。 比較分析の結果, 速度追従性能を維持しながら, 固定ゲット法と比較してエネルギー消費量を最大35倍に削減できることがわかった。 修正されたUnitree Go1プラットフォーム上での大規模なシミュレーションと実世界の実験を通じて、我々のフレームワークを検証し、外乱下においても堅牢な性能を示す。 ビデオと実装の詳細は \href{https://sites.google.com/view/switching-wpg}{https://sites.google.com/view/switching-wpg} で確認できる。

関連論文リスト

• Efficient and Versatile Quadrupedal Skating: Optimal Co-design via Reinforcement Learning and Bayesian Optimization [8.969390069418777]
  本研究では、受動車輪を備えた四足歩行ロボット上で、効率的で多目的なローラースケートを可能にするハードウェア制御協調設計手法を提案する。 パッシブホイールスケートは脚の慣性を減少させ、特に高速でエネルギー効率を向上させる。
  論文  参考訳（メタデータ） (2026-03-19T02:12:50Z)
• ECO: Energy-Constrained Optimization with Reinforcement Learning for Humanoid Walking [18.843782019570735]
  ECO(Energy-Constrained Optimization)は、エネルギー関連メトリクスを報酬から分離する制約付きRLフレームワークである。 その結果,エコは歩行性能を維持しながら,ベースラインに比べてエネルギー消費を著しく減少させることがわかった。
  論文  参考訳（メタデータ） (2026-02-06T07:14:43Z)
• Just in time Informed Trees: Manipulability-Aware Asymptotically Optimized Motion Planning [46.553063931217245]
  我々はJust-in-Time Informed Trees (JIT*)アルゴリズムを導入し、Effort Informed Trees (EIT*) を拡張した。 JIT* は $mathbbR4$ から $mathbbR16$ まで、従来のサンプリングベースのプランナよりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-01-27T18:58:51Z)
• Optimization-Guided Diffusion for Interactive Scene Generation [52.23368750264419]
  本稿では,拡散型サンプリングにおける構造的一貫性と相互作用認識を実現するための,最適化誘導型トレーニングフリーフレームワークであるOMEGAを提案する。 OMEGAは生成リアリズム,一貫性,可制御性を向上し,身体的および行動学的に有効なシーンの比率を増大させることを示す。 当社のアプローチでは,3秒未満の時間対コリションで,より近いコリジョンフレームを5ドル(約5,500円)で生成することも可能だ。
  論文  参考訳（メタデータ） (2025-12-08T15:56:18Z)
• Latent Adaptive Planner for Dynamic Manipulation [43.959104380268066]
  Latent Adaptive Planner (LAP) は、動的非包括的操作のための軌道レベルの遅延変数ポリシーである。 LAPは低次元の潜在空間における推論として計画を定式化し、人間のデモビデオから効果的に学習する。
  論文  参考訳（メタデータ） (2025-05-06T00:09:09Z)
• Learning to Exploit Elastic Actuators for Quadruped Locomotion [7.9585932082270014]
  足の移動におけるスプリングベースのアクチュエータは、エネルギー効率と性能の向上を提供するが、コントローラ設計の難しさは増す。 実ロボットでモデルフリーのコントローラを直接学習することを提案する。 提案手法をDLR弾性四重項ベルトに適用した。
  論文  参考訳（メタデータ） (2022-09-15T09:43:17Z)
• VAE-Loco: Versatile Quadruped Locomotion by Learning a Disentangled Gait Representation [78.92147339883137]
  本研究では,特定の歩行を構成する主要姿勢位相を捕捉する潜在空間を学習することにより,制御器のロバスト性を高めることが重要であることを示す。 本研究では,ドライブ信号マップの特定の特性が,歩幅,歩幅,立位などの歩行パラメータに直接関係していることを示す。 生成モデルを使用することで、障害の検出と緩和が容易になり、汎用的で堅牢な計画フレームワークを提供する。
  論文  参考訳（メタデータ） (2022-05-02T19:49:53Z)
• AdaViT: Adaptive Vision Transformers for Efficient Image Recognition [78.07924262215181]
  AdaViTは、パッチ、セルフアテンションヘッド、およびトランスフォーマーブロックを使用するための利用ポリシーを導出する適応フレームワークである。 本手法は,0.8%の精度で,最先端のビジョントランスに比べて2倍以上の効率向上を実現している。
  論文  参考訳（メタデータ） (2021-11-30T18:57:02Z)
• Conv1D Energy-Aware Path Planner for Mobile Robots in Unstructured Environments [9.230959086746736]
  エネルギー消費は、困難な環境における移動ロボットのナビゲーションにおいて重要な役割を果たします。 本稿では,複雑な地形を横断するロボットの走行エネルギー消費量とエネルギー回収量を推定できるエネルギー認識経路プランナーの最初の結果について報告する。 この手法の新たな特徴は、1次元畳み込みニューラルネットワークを用いて、移動中にロボットが経験するのと同じ時間順に地形をシーケンシャルに解析することである。
  論文  参考訳（メタデータ） (2021-04-04T08:13:54Z)

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。