論文の概要: Robot Arm Control via Cognitive Map Learners

• arxiv url: http://arxiv.org/abs/2603.26773v1
• Date: Tue, 24 Mar 2026 16:39:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:44.5941
• Title: Robot Arm Control via Cognitive Map Learners
• Title（参考訳）: 認知地図学習者によるロボットアーム制御
• Authors: Nathan McDonald, Colyn Seeley, Christian Brazeau,
• Abstract要約: 本研究は,多関節ロボットアームの動作制御に本手法を適用した。 各アームセグメントの角位置は独立に訓練されたCMLによって管理される。 本研究は、任意の数のアームセグメントを持つ2次元ロボットアームに対する一般的な解と、単一の回転ベースを持つ3次元アームに対する特定の解の両方を提示する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Cognitive map learners (CML) have been shown to enable hierarchical, compositional machine learning. That is, interpedently trained CML modules can be arbitrarily composed together to solve more complex problems without task-specific retraining. This work applies this approach to control the movement of a multi-jointed robot arm, whereby each arm segment's angular position is governed by an independently trained CML. Operating in a 2D Cartesian plane, target points are encoded as phasor hypervectors according to fractional power encoding (FPE). This phasor hypervector is then factorized into a set of arm segment angles either via a resonator network or a modern Hopfield network. These arm segment angles are subsequently fed to their respective arm segment CMLs, which reposition the robot arm to the target point without the use of inverse kinematic equations. This work presents both a general solution for both a 2D robot arm with an arbitrary number of arm segments and a particular solution for a 3D arm with a single rotating base.
• Abstract（参考訳）: 認知地図学習者(CML)は階層的で構成的な機械学習を可能にする。 すなわち、相互に訓練されたCMLモジュールを任意に組み立てて、タスク固有のリトレーニングなしでより複雑な問題を解決することができる。 この研究は、各アームセグメントの角位置が独立に訓練されたCMLによって制御される多関節ロボットアームの動きを制御するために、このアプローチを適用している。 2次元モンテカルロ平面で操作すると、ターゲットポイントは分数電力符号化(FPE)に従ってファサーハイパーベクターとして符号化される。 このファサーハイパーベクターは、共振器ネットワークまたは現代のホップフィールドネットワークを介して、アームセグメント角のセットに分解される。 これらのアームセグメント角をそれぞれのアームセグメントCMLに供給し、逆運動方程式を用いることなくロボットアームを目標点に再配置する。 本研究は、任意の数のアームセグメントを持つ2次元ロボットアームに対する一般的な解と、単一の回転ベースを持つ3次元アームに対する特定の解の両方を提示する。

関連論文リスト

• Walking on Rough Terrain with Any Number of Legs [3.7275258486549916]
  本研究では,2本の足に3つのアクチュエータを備えたセグメント型ロボットを用いて,荒地に対する多脚制御アーキテクチャを提案する。 私たちの設計は、WalkNetのようなイベントカスケードコントローラとCPGベースのコントローラのギャップを埋めるものです。
  論文  参考訳（メタデータ） (2026-03-10T03:37:44Z)
• Infinite-Dimensional Closed-Loop Inverse Kinematics for Soft Robots via Neural Operators [5.559127468747317]
  キネマティック反転は純粋に幾何学的な問題であり、閉ループ逆キネマティックススキームによって効率的に解かれる。 CLIKの拡張は、コントローラが操作するためのアクティベーションからタスクスペースへのエンドツーエンドマッピングを導入することで、この問題に対処する。 無限次元領域でCLIKを定式化し、タスクを解きながらソフトロボット全体の形状を推論する。
  論文  参考訳（メタデータ） (2026-02-20T23:11:56Z)
• RoboTAG: End-to-end Robot Configuration Estimation via Topological Alignment Graph [62.270763554624615]
  単眼のRGB画像からロボットのポーズを推定することは、ロボット工学とコンピュータビジョンにおける課題である。 既存の手法は通常、2Dビジュアルバックボーン上にネットワークを構築し、トレーニングのためにラベル付きデータに大きく依存する。 ロボットトポロジカルアライメントグラフ(RoboTAG)を提案する。このグラフは3次元分岐を組み込んで3次元前処理を注入し、2次元および3次元表現の共進化を可能にする。
  論文  参考訳（メタデータ） (2025-11-11T00:49:15Z)
• Joint-MAE: 2D-3D Joint Masked Autoencoders for 3D Point Cloud Pre-training [65.75399500494343]
  Masked Autoencoders (MAE) は、2Dおよび3Dコンピュータビジョンのための自己教師型学習において有望な性能を示した。 自己監督型3次元点雲事前学習のための2D-3DジョイントMAEフレームワークであるJoint-MAEを提案する。
  論文  参考訳（メタデータ） (2023-02-27T17:56:18Z)
• NeuralGrasps: Learning Implicit Representations for Grasps of Multiple Robotic Hands [15.520158510964757]
  複数のロボットハンドから物体をつかむ神経暗黙表現を導入する。 複数のロボットハンドにまたがる異なるグリップは、共有潜在空間に符号化される。 グリップトランスファーは、ロボット間で把握スキルを共有し、ロボットが人間から把握スキルを学習できるようにする可能性がある。
  論文  参考訳（メタデータ） (2022-07-06T20:33:32Z)
• Point-M2AE: Multi-scale Masked Autoencoders for Hierarchical Point Cloud Pre-training [56.81809311892475]
  Masked Autoencoders (MAE) は、言語と2次元画像変換器の自己教師付き事前学習において大きな可能性を示している。 我々は3次元点雲の階層的自己教師型学習のための強力なマルチスケールMAE事前学習フレームワークであるPoint-M2AEを提案する。
  論文  参考訳（メタデータ） (2022-05-28T11:22:53Z)
• Bi-Manual Manipulation and Attachment via Sim-to-Real Reinforcement Learning [23.164743388342803]
  シミュレーションで訓練された強化学習を用いて,両手作業の解法について検討する。 また、RLポリシーの効果的なトレーニングにつながるシミュレーション環境の変更についても検討する。 本研究では,2つのロボットアームが磁気的接続点を持つ2つのブロックを拾い上げるための接続タスクを設計する。
  論文  参考訳（メタデータ） (2022-03-15T21:49:20Z)
• V-MAO: Generative Modeling for Multi-Arm Manipulation of Articulated Objects [51.79035249464852]
  本稿では,音声による物体のマルチアーム操作を学習するためのフレームワークを提案する。 本フレームワークは,各ロボットアームの剛部上の接触点分布を学習する変動生成モデルを含む。
  論文  参考訳（メタデータ） (2021-11-07T02:31:09Z)
• Encoder-decoder with Multi-level Attention for 3D Human Shape and Pose Estimation [61.98690211671168]
  本稿では,マルチレベルアテンション・デコーダ・ネットワーク(MAED)を提案する。 3DPWのトレーニングセットにより、MAEDはPA-MPJPEの6.2、7.2、2.4mmの従来の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-09-06T09:06:17Z)

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。