論文の概要: Adaptive Policy Switching of Two-Wheeled Differential Robots for Traversing over Diverse Terrains

• arxiv url: http://arxiv.org/abs/2603.04761v1
• Date: Thu, 05 Mar 2026 03:20:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.924659
• Title: Adaptive Policy Switching of Two-Wheeled Differential Robots for Traversing over Diverse Terrains
• Title（参考訳）: 異機種横断走行のための二輪微分ロボットの適応的ポリシースイッチング
• Authors: Haruki Izawa, Takeshi Takai, Shingo Kitano, Mikita Miyaguchi, Hiroaki Kawashima,
• Abstract要約: 本研究では,ナビゲーション中に収集した姿勢関連観測を用いて,地形タイプを効果的に推定できるかどうかを検討した。 我々はPPO(Proximal Policy Optimization)を用いて事前学習したポリシーを微調整し、平坦な地形や荒地を移動する際にロボットの3D方向データを収集した。 解析の結果、ロボットのピッチデータの標準偏差は、これらの2つの地形種間に明らかな差があることが判明した。
• 参考スコア（独自算出の注目度）: 1.9573380763700712
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Exploring lunar lava tubes requires robots to traverse without human intervention. Because pre-trained policies cannot fully cover all possible terrain conditions, our goal is to enable adaptive policy switching, where the robot selects an appropriate terrain-specialized model based on its current terrain features. This study investigates whether terrain types can be estimated effectively using posture-related observations collected during navigation. We fine-tuned a pre-trained policy using Proximal Policy Optimization (PPO), and then collected the robot's 3D orientation data as it moved across flat and rough terrain in a simulated lava-tube environment. Our analysis revealed that the standard deviation of the robot's pitch data shows a clear difference between these two terrain types. Using Gaussian mixture models (GMM), we evaluated terrain classification across various window sizes. An accuracy of more than 98% was achieved when using a 70-step window. The result suggests that short-term orientation data are sufficient for reliable terrain estimation, providing a foundation for adaptive policy switching.
• Abstract（参考訳）: 月の溶岩を探索するには、人間の介入なしにロボットが移動する必要がある。 事前学習した政策は、すべての可能な地形条件を完全にカバーできないため、ロボットが現在の地形特性に基づいて適切な地形特化モデルを選択することで、適応的な政策切替を可能にすることが目的である。 本研究では,ナビゲーション中に収集した姿勢関連観測を用いて,地形タイプを効果的に推定できるかどうかを検討した。 我々は,PPO(Proximal Policy Optimization)を用いて事前学習した政策を微調整し,シミュレーションした溶岩-チューブ環境下での平坦・荒地移動時のロボットの3次元方位データを収集した。 解析の結果、ロボットのピッチデータの標準偏差は、これらの2つの地形種間に明らかな差があることが判明した。 ガウス混合モデル (GMM) を用いて, 各種窓面積の地形分類を行った。 70段窓を使用すると98%以上の精度が得られた。 その結果,短期的な配向データは信頼性の高い地形推定に十分であることが示唆され,適応的な方針変更の基礎となった。

関連論文リスト

• Adaptive path planning for efficient object search by UAVs in agricultural fields [0.0]
  本稿では,UAVを用いた農業分野における対象探索のための適応経路プランナを提案する。 プランナーは、高高度の飛行経路を使用し、検出ネットワークが不確実である場合に、追加の低高度検査を計画する。 我々は、草地に置かれた人工植物を検出するために、YOLOv8検出ネットワークを訓練し、パスプランナーの可能性を実証した。
  論文  参考訳（メタデータ） (2025-04-03T10:47:31Z)
• NoMaD: Goal Masked Diffusion Policies for Navigation and Exploration [57.15811390835294]
  本稿では,目標指向ナビゲーションと目標非依存探索の両方を扱うために,単一の統合拡散政策をトレーニングする方法について述べる。 この統一された政策は、新しい環境における目標を視覚的に示す際に、全体的な性能が向上することを示す。 実世界の移動ロボットプラットフォーム上で実施した実験は,5つの代替手法と比較して,見えない環境における効果的なナビゲーションを示す。
  論文  参考訳（メタデータ） (2023-10-11T21:07:14Z)
• Wait, That Feels Familiar: Learning to Extrapolate Human Preferences for Preference Aligned Path Planning [46.66453816117135]
  Preference ExtrApolation for Terrain awarE Robot Navigation, PATERNは、視覚ナビゲーションのための演算子地形を推定するための新しいフレームワークである。 PATERNは、様々な地形や様々な照明条件に頑健に一般化し、好みに合わせてナビゲートする。
  論文  参考訳（メタデータ） (2023-09-18T16:24:26Z)
• VAPOR: Legged Robot Navigation in Outdoor Vegetation Using Offline Reinforcement Learning [53.13393315664145]
  本研究では,非構造で密集した屋外環境における自律脚ロボットナビゲーションのための新しい手法であるVAPORを提案する。 本手法は,アクター・クリティカル・ネットワークと実際の屋外植生で収集された任意のデータを用いて,新しいRLポリシーを訓練する。 VAPORの動作は成功率を最大40%向上させ、平均電流消費量を最大2.9%削減し、正規化軌道長を最大11.2%削減する。
  論文  参考訳（メタデータ） (2023-09-14T16:21:27Z)
• Robust Visual Sim-to-Real Transfer for Robotic Manipulation [79.66851068682779]
  シミュレーションにおけるビジュモータポリシーの学習は、現実世界よりも安全で安価である。 しかし、シミュレーションデータと実データとの相違により、シミュレータ訓練されたポリシーは実際のロボットに転送されると失敗することが多い。 視覚的なsim-to-real領域ギャップを埋める一般的なアプローチは、ドメインランダム化(DR)である。
  論文  参考訳（メタデータ） (2023-07-28T05:47:24Z)
• Learning multiobjective rough terrain traversability [0.0]
  本研究では, 地形の高分解能地形データと地上車両シミュレーションを用いて, トラバーサビリティの予測を行う手法を提案する。 深層ニューラルネットワークは、局所的なハイトマップと目標速度からトラバーサビリティ対策を予測するために訓練される。 従来は見つからなかったレーザ走査型森林地形のモデルについて検討した。
  論文  参考訳（メタデータ） (2022-03-30T14:31:43Z)
• Learning Continuous Environment Fields via Implicit Functions [144.4913852552954]
  本研究では,到達距離(シーン内の任意の位置から目標までの距離)を,実現可能な軌道に沿って符号化する新しいシーン表現を提案する。 本研究では,2次元迷路や屋内3次元シーンにおけるエージェントの動的挙動を直接導出できることを実証する。
  論文  参考訳（メタデータ） (2021-11-27T22:36:58Z)
• Complex Terrain Navigation via Model Error Prediction [5.937673383513695]
  私たちは、オンラインのアプローチでトレーニングを行い、その結果、シミュレーションと現実世界にまたがる、50分間のトレーニングデータを使用して、ナビゲーションポリシーを成功させました。 学習に基づくナビゲーションシステムは,Clearpath Huskyが様々な地形を航行する様子を実演する,効率的な短期プランナーである。
  論文  参考訳（メタデータ） (2021-11-18T15:55:04Z)
• Guided Uncertainty-Aware Policy Optimization: Combining Learning and Model-Based Strategies for Sample-Efficient Policy Learning [75.56839075060819]
  従来のロボットのアプローチは、環境の正確なモデル、タスクの実行方法の詳細な説明、現在の状態を追跡するための堅牢な認識システムに依存している。 強化学習アプローチは、タスクを記述するための報酬信号だけで、生の感覚入力から直接操作することができるが、非常にサンプル非効率で脆弱である。 本研究では,ロボットの知覚・運動パイプラインにおける不正確さを克服できる一般的な手法を得るために,モデルに基づく手法の強みと学習に基づく手法の柔軟性を組み合わせる。
  論文  参考訳（メタデータ） (2020-05-21T19:47:05Z)

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。