論文の概要: Zero-Shot Adaptation to Robot Structural Damage via Natural Language-Informed Kinodynamics Modeling

• arxiv url: http://arxiv.org/abs/2602.12385v1
• Date: Thu, 12 Feb 2026 20:28:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.415718
• Title: Zero-Shot Adaptation to Robot Structural Damage via Natural Language-Informed Kinodynamics Modeling
• Title（参考訳）: 自然言語インフォームド・キノダイナミックス・モデリングによるロボット構造損傷に対するゼロショット適応
• Authors: Anuj Pokhrel, Aniket Datar, Mohammad Nazeri, Francesco Cancelliere, Xuesu Xiao,
• Abstract要約: 本研究では, 自己教師型学習を用いたゼロショット言語インフォームド・キノダイナミックス(ZLIK)を提案する。 学習モデルでは,キノダイナミックス誤差を最大81%低減した異なる損傷に対するゼロショット適応を実現し,sim-to-real と full-to-1/10$textth$scale のギャップを一般化する。
• 参考スコア（独自算出の注目度）: 8.435689320696367
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High-performance autonomous mobile robots endure significant mechanical stress during in-the-wild operations, e.g., driving at high speeds or over rugged terrain. Although these platforms are engineered to withstand such conditions, mechanical degradation is inevitable. Structural damage manifests as consistent and notable changes in kinodynamic behavior compared to a healthy vehicle. Given the heterogeneous nature of structural failures, quantifying various damages to inform kinodynamics is challenging. We posit that natural language can describe and thus capture this variety of damages. Therefore, we propose Zero-shot Language Informed Kinodynamics (ZLIK), which employs self-supervised learning to ground semantic information of damage descriptions in kinodynamic behaviors to learn a forward kinodynamics model in a data-driven manner. Using the high-fidelity soft-body physics simulator BeamNG.tech, we collect data from a variety of structurally compromised vehicles. Our learned model achieves zero-shot adaptation to different damages with up to 81% reduction in kinodynamics error and generalizes across the sim-to-real and full-to-1/10$^{\text{th}}$ scale gaps.
• Abstract（参考訳）: 高速な自律移動ロボットは、例えば高速で運転したり、荒れ果てた地形を乗り越えたりする際に、大きな機械的ストレスに耐える。 これらのプラットフォームはこのような状況に耐えるために設計されているが、機械的な劣化は避けられない。 構造的損傷は、健康な車両と比較してキノダイナミックな挙動の一貫性と顕著な変化を示す。 構造的故障の不均一性を考えると、キノダイナミックスを知らせるために様々な損傷を定量化することは困難である。 自然言語が記述できると仮定し、このような様々なダメージを捉えます。 そこで本稿では, キノダイナミックな動作における損傷記述のセマンティック情報に基づいて, 自己教師型学習を用いて, 前方キノダイナミックスモデルをデータ駆動で学習するゼロショット言語インフォームド・キノダイナミックス(ZLIK)を提案する。 高忠実度軟体物理学シミュレータの BeamNG.tech を用いて, 種々の構造を侵害した車両のデータを収集する。 学習モデルでは,キノダイナミックス誤差を最大81%低減した異なる損傷に対するゼロショット適応を実現し,sim-to-realおよび full-to-1/10$^{\text{th}}$スケールギャップを一般化した。

関連論文リスト

• SPARK: Skeleton-Parameter Aligned Retargeting on Humanoid Robots with Kinodynamic Trajectory Optimization [9.553570391005257]
  人間の動きは、汎用的なヒューマノイド制御ポリシーを訓練するための豊富な事前情報を提供するが、生のデモンストレーションはロボットの運動学や力学と相容れないことが多い。 タスク空間の人的データから自然および動的に実行可能な動作参照を生成するための2段階パイプラインを提案する。
  論文  参考訳（メタデータ） (2026-03-12T03:03:14Z)
• Transformer Learning of Chaotic Collective Dynamics in Many-Body Systems [0.0]
  本稿では,自己注意に基づくトランスフォーマー・フレームワークが,カオス的集団力学をモデル化するための効果的なアプローチを提供することを示す。 相互作用クエンチが強い非線形およびカオス力学を誘導する一次元半古典的ホルシュタインモデルについて検討する。 本研究は, カオス多体システムにおいて, 効果的還元力学を学習するための強力なメカニズムとして, 自己意識を確立した。
  論文  参考訳（メタデータ） (2026-01-27T01:33:33Z)
• PhysWorld: From Real Videos to World Models of Deformable Objects via Physics-Aware Demonstration Synthesis [52.905353023326306]
  物理的に妥当で多様な実演を合成し、効率的な世界モデルを学ぶためのフレームワークであるPhysWorldを提案する。 実験により、PhysWorldは、最新の最先端手法、すなわちPhysTwinよりも47倍高速な推論速度を実現しつつ、競争性能を持つことが示された。
  論文  参考訳（メタデータ） (2025-10-24T13:25:39Z)
• Physics-informed Ground Reaction Dynamics from Human Motion Capture [4.4795626402834055]
  本研究では,モーションキャプチャーデータから直接人体反応動態を推定する新しい手法を提案する。 我々は,Eulerの積分法とPDアルゴリズムを用いて,モーションキャプチャーデータから地上反応力を計算するための高精度で堅牢な手法を提案する。 提案手法は GroundLink データセット上でテストされた。
  論文  参考訳（メタデータ） (2025-07-02T04:02:16Z)
• Spatial-Temporal Graph Diffusion Policy with Kinematic Modeling for Bimanual Robotic Manipulation [88.83749146867665]
  既存のアプローチは、遠く離れた次のベストなエンドエフェクタのポーズを予測するポリシーを学びます。 すると、運動に対する対応する関節回転角を逆運動学を用いて計算する。 本稿では,Kinematics 拡張空間テンポアル gRaph diffuser を提案する。
  論文  参考訳（メタデータ） (2025-03-13T17:48:35Z)
• Humanoid Whole-Body Locomotion on Narrow Terrain via Dynamic Balance and Reinforcement Learning [54.26816599309778]
  動的バランスと強化学習(RL)に基づく新しい全身移動アルゴリズムを提案する。 具体的には,ZMP(Zero-Moment Point)駆動の報酬とタスク駆動の報酬を,全身のアクター批判的枠組みで拡張した尺度を活用することで,動的バランス機構を導入する。 フルサイズのUnitree H1-2ロボットによる実験により、非常に狭い地形でのバランスを維持するための手法の有効性が検証された。
  論文  参考訳（メタデータ） (2025-02-24T14:53:45Z)
• Differentiable Physics-based System Identification for Robotic Manipulation of Elastoplastic Materials [43.99845081513279]
  本研究は, ロボットアームが簡単な操作動作と不完全な3次元点雲を用いて, 弾塑性材料の物理パラメータと環境を推測することのできる, 微分可能物理に基づくシステム同定(DPSI)フレームワークを提案する。 1つの現実世界の相互作用だけで、推定されたパラメータは、目に見えない、長い水平運動によって引き起こされる視覚的および物理的に現実的な振る舞いを正確にシミュレートすることができる。
  論文  参考訳（メタデータ） (2024-11-01T13:04:25Z)
• 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)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

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。