論文の概要: Learning Legged MPC with Smooth Neural Surrogates

• arxiv url: http://arxiv.org/abs/2601.12169v1
• Date: Sat, 17 Jan 2026 21:14:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.821625
• Title: Learning Legged MPC with Smooth Neural Surrogates
• Title（参考訳）: Smooth Neural Surrogatesを用いた手指型MPCの学習
• Authors: Samuel A. Moore, Easop Lee, Boyuan Chen,
• Abstract要約: 本研究では,スムーズなスムーズなスムーズ性を持つニューラルネットワークであるスムーズなニューラルサロゲートを導入し,接触による軌道最適化の予測と導出を行う。 これらのモデルを,脚ロボット力学で観測された経験的誤差分布とよく一致した重み付き確率を用いて訓練する。 難易度を増大させるゼロショット移動タスク全体において、堅牢な学習を伴うスムーズなニューラルサロゲートは、単純で良質な振る舞いに対して累積コストを一定に削減する。
• 参考スコア（独自算出の注目度）: 2.399731967132262
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning and model predictive control (MPC) can play complementary roles in legged robotics. However, integrating learned models with online planning remains challenging. When dynamics are learned with neural networks, three key difficulties arise: (1) stiff transitions from contact events may be inherited from the data; (2) additional non-physical local nonsmoothness can occur; and (3) training datasets can induce non-Gaussian model errors due to rapid state changes. We address (1) and (2) by introducing the smooth neural surrogate, a neural network with tunable smoothness designed to provide informative predictions and derivatives for trajectory optimization through contact. To address (3), we train these models using a heavy-tailed likelihood that better matches the empirical error distributions observed in legged-robot dynamics. Together, these design choices substantially improve the reliability, scalability, and generalizability of learned legged MPC. Across zero-shot locomotion tasks of increasing difficulty, smooth neural surrogates with robust learning yield consistent reductions in cumulative cost on simple, well-conditioned behaviors (typically 10-50%), while providing substantially larger gains in regimes where standard neural dynamics often fail outright. In these regimes, smoothing enables reliable execution (from 0/5 to 5/5 success) and produces about 2-50x lower cumulative cost, reflecting orders-of-magnitude absolute improvements in robustness rather than incremental performance gains.
• Abstract（参考訳）: 深層学習とモデル予測制御(MPC)は、脚のあるロボット工学において相補的な役割を果たす。 しかし、学習したモデルとオンラインプランニングを統合することは依然として困難である。 1) 接触イベントからの固い遷移がデータから受け継がれ、(2) さらなる非物理的局所的非平滑化が起こり、(3) 訓練データセットは急激な状態変化による非ガウスモデルエラーを誘発する。 本研究では,(1)と(2)は,接触による軌道最適化のための情報的予測と導関数を提供するために設計されたスムーズなスムーズなスムーズなニューラルネットワークであるスムーズなニューラルサロゲートを導入することで解決する。 (3) に対処するため,脚ロボット力学で観測される経験的誤差分布によく一致するような重み付き確率を用いて,これらのモデルを訓練する。 これらの設計選択は、学習対象のMPCの信頼性、スケーラビリティ、一般化性を大幅に向上させる。 難易度を増大させるゼロショットローコモーションタスク全体において、堅牢な学習を伴うスムーズなニューラルサロゲートは、単純で良条件の行動(典型的には10-50%)に対して累積コストを一貫した削減をもたらすと同時に、標準のニューラルダイナミクスが完全に失敗するレジームにおいて、大幅に向上する。 これらのレギュレーションでは、スムーシングは信頼性の高い実行(0/5から5/5の成功)を可能にし、インクリメンタルなパフォーマンス向上よりもロバスト性のオーダー・オブ・マグニチュードの改善を反映して、累積コストを約2-50倍に削減します。

関連論文リスト

• Limitations of Physics-Informed Neural Networks: a Study on Smart Grid Surrogation [29.49941497527361]
  PINNは、物理法則を直接学習フレームワークに組み込むことによって、スマートグリッドモデリングの変革的なアプローチを示す。 本稿では、PINNの機能をスマートグリッドダイナミクスの代理モデルとして評価する。 PINNの優れた一般化と誤り低減におけるデータ駆動モデルの性能を実証する。
  論文  参考訳（メタデータ） (2025-08-29T12:15:32Z)
• Learning Robust Satellite Attitude Dynamics with Physics-Informed Normalising Flow [2.7222301668137483]
  宇宙機の姿勢力学の学習に物理インフォームドニューラルネットワークを組み込むことの利点について検討する。 バシリスクシミュレータで生成されたシミュレーションデータに基づいて複数のモデルを訓練する。 PINNベースのモデルは、制御精度とロバスト性の観点から、純粋にデータ駆動モデルよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-08-11T10:50:49Z)
• Generalizable and Fast Surrogates: Model Predictive Control of Articulated Soft Robots using Physics-Informed Neural Networks [4.146337610044239]
  本研究では,データ効率を重視した音声ソフトロボット(ASR)のための物理インフォームドニューラルネットワーク(PINN)を提案する。 リカレントニューラルネットワークとは対照的に、PINNは高い一般化性を提供する。 精度の高いFPモデルの予測速度は、PINNで最大467倍、わずかに精度が低下する。
  論文  参考訳（メタデータ） (2025-02-04T01:16:33Z)
• Just How Flexible are Neural Networks in Practice? [89.80474583606242]
  ニューラルネットワークは、パラメータを持つ少なくとも多くのサンプルを含むトレーニングセットに適合できると広く信じられている。 しかし実際には、勾配や正規化子など、柔軟性を制限したトレーニング手順によるソリューションしか見つからない。
  論文  参考訳（メタデータ） (2024-06-17T12:24:45Z)
• Learning-based adaption of robotic friction models [50.72489248401199]
  我々は、可能な限り少ないデータを用いて、既存の摩擦モデルを新しいダイナミクスに適用するための新しいアプローチを導入する。 本手法はトレーニング中に外部負荷を伴うデータに依存しないため,外部トルクセンサは不要である。
  論文  参考訳（メタデータ） (2023-10-25T14:50:15Z)
• Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• Real-time Neural-MPC: Deep Learning Model Predictive Control for Quadrotors and Agile Robotic Platforms [59.03426963238452]
  モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。 ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
  論文  参考訳（メタデータ） (2022-03-15T09:38:15Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• A Simple Fine-tuning Is All You Need: Towards Robust Deep Learning Via Adversarial Fine-tuning [90.44219200633286]
  我々は,$textitslow start, fast decay$ learning rate schedulingストラテジーに基づく,単純かつ非常に効果的な敵の微調整手法を提案する。 実験の結果,提案手法はCIFAR-10, CIFAR-100, ImageNetデータセットの最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-25T20:50:15Z)

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。