論文の概要: A Predictive Control Strategy to Offset-Point Tracking for Agricultural Mobile Robots

• arxiv url: http://arxiv.org/abs/2603.28439v1
• Date: Mon, 30 Mar 2026 13:46:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.426468
• Title: A Predictive Control Strategy to Offset-Point Tracking for Agricultural Mobile Robots
• Title（参考訳）: 農業用移動ロボットにおけるオフセットポイントトラッキングの予測制御手法
• Authors: Stephane Ngnepiepaye Wembe, Vincent Rousseau, Johann Laconte, Roland Lenain,
• Abstract要約: 既存の経路追従コントローラの多くは、ロボットの運動中心にのみ焦点を合わせ、装着された機器の空間的フットプリントやダイナミックスを無視している。 本稿では,[1] で導入したアプローチを拡張したクローズドフォーム予測制御手法を提案する。 提案手法は, 中央値追跡誤差を24%から56%削減し, 曲率遷移時のピーク誤差を最大70%低減する。
• 参考スコア（独自算出の注目度）: 1.020611996964394
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robots are increasingly being deployed in agriculture to support sustainable practices and improve productivity. They offer strong potential to enable precise, efficient, and environmentally friendly operations. However, most existing path-following controllers focus solely on the robot's center of motion and neglect the spatial footprint and dynamics of attached implements. In practice, implements such as mechanical weeders or spring-tine cultivators are often large, rigidly mounted, and directly interacting with crops and soil; ignoring their position can degrade tracking performance and increase the risk of crop damage. To address this limitation, we propose a closed-form predictive control strategy extending the approach introduced in [1]. The method is developed specifically for Ackermann-type agricultural vehicles and explicitly models the implement as a rigid offset point, while accounting for lateral slip and lever-arm effects. The approach is benchmarked against state-of-the-art baseline controllers, including a reactive geometric method, a reactive backstepping method, and a model-based predictive scheme. Real-world agricultural experiments with two different implements show that the proposed method reduces the median tracking error by 24% to 56%, and decreases peak errors during curvature transitions by up to 70%. These improvements translate into enhanced operational safety, particularly in scenarios where the implement operates in close proximity to crop rows.
• Abstract（参考訳）: 持続可能なプラクティスと生産性向上のために、ロボットは農業にますます配備されている。 それらは、正確で効率的で環境に優しい操作を可能にする強力な可能性を提供します。 しかし、既存の経路追従制御器はロボットの運動中心のみに焦点を合わせ、装着された機器の空間的フットプリントやダイナミクスを無視する。 実際には、機械式除草機や春季栽培機のような道具は、しばしば大きく、硬く取り付けられ、作物や土壌と直接的に相互作用し、その位置を無視すると、追跡性能が低下し、作物の被害のリスクが増大する。 この制限に対処するため,[1] で導入されたアプローチを拡張した閉形式予測制御手法を提案する。 この方法は、アッカーマン型農業車両向けに特別に開発され、横滑りとレバーアームの効果を考慮しつつ、厳密なオフセットポイントとして実装を明示的にモデル化する。 このアプローチは、リアクティブ幾何法、リアクティブバックステッピング法、モデルベースの予測スキームなど、最先端のベースラインコントローラに対してベンチマークされる。 2つの異なる機器を用いた実世界の農業実験により,提案手法は中央値追跡誤差を24%から56%削減し,曲率遷移時のピーク誤差を最大70%低減することを示した。 これらの改善は、特に実装が作物の列に近接して動作するシナリオにおいて、運用上の安全性の向上に寄与する。

関連論文リスト

• BarrierSteer: LLM Safety via Learning Barrier Steering [83.12893815611052]
  BarrierSteerは、学習した非線形安全性制約を直接モデルの潜在表現空間に埋め込むことで、安全性を形式化する新しいフレームワークである。 BarrierSteerは、敵の成功率を大幅に低下させ、安全でない世代を減少させ、既存の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2026-02-23T18:19:46Z)
• PGTT: Phase-Guided Terrain Traversal for Perceptive Legged Locomotion [41.99844472131922]
  PGTT ( Phase-Guided Terrain Traversal) は、報酬形成を通じて歩行構造を純粋に強制する認識型ディープRLアプローチである。 MuJoCo(MJX)で、カリキュラムやドメインランダム化を伴う手続き的に生成された階段のような地形で訓練されたPGTTは、プッシュ障害の下で最も成功している。
  論文  参考訳（メタデータ） (2025-10-21T07:00:18Z)
• Building a Foundational Guardrail for General Agentic Systems via Synthetic Data [76.18834864749606]
  LLMエージェントは、計画段階で介入するマルチステップタスクを計画できる。 既存のガードレールは主にポスト・エグゼクティブ(英語版)を運用しており、スケーリングが困難であり、計画レベルで制御可能な監督を行う余地がほとんどない。 我々は、良性軌道を合成し、カテゴリーラベル付きリスクを困難に注入し、自動報酬モデルを介して出力をフィルタリングする制御可能なエンジンであるAuraGenを紹介する。
  論文  参考訳（メタデータ） (2025-10-10T18:42:32Z)
• FreeAction: Training-Free Techniques for Enhanced Fidelity of Trajectory-to-Video Generation [50.39748673817223]
  本稿では,ロボットビデオ生成における明示的な動作パラメータを完全に活用する2つのトレーニング不要な推論時間手法を提案する。 第一に、アクションスケールの分類器フリーガイダンスは、動作の大きさに比例して誘導強度を動的に調整し、運動強度に対する制御性を高める。 第二に、アクションスケールノイズトランケーションは、初期サンプルノイズの分布を調整し、所望の運動力学とよりよく一致させる。
  論文  参考訳（メタデータ） (2025-09-29T03:30:40Z)
• Dexplore: Scalable Neural Control for Dexterous Manipulation from Reference-Scoped Exploration [58.4036440289082]
  ハンドオブジェクトモーションキャプチャ(MoCap)は、大規模でコンタクトに富んだデモと、器用なロボットスコープの約束を提供する。 Dexploreは、リポジトリとトラッキングを実行し、MoCapから直接ロボット制御ポリシーを学習する、統一された単一ループ最適化である。
  論文  参考訳（メタデータ） (2025-09-11T17:59:07Z)
• Multi-Waypoint Path Planning and Motion Control for Non-holonomic Mobile Robots in Agricultural Applications [0.0]
  無人移動ロボットは、非構造農業環境をナビゲートできるという需要が高まっている。 草地における雑草制御のようなタスクは、順序のない座標の集合を通して効率的な経路計画を必要とする。 本稿では,Dubins Traveling Salesman問題に基づくグローバルパスプランナを組み合わせた統合ナビゲーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-31T08:56:24Z)
• Action Flow Matching for Continual Robot Learning [54.10050120844738]
  ロボット工学における継続的な学習は、変化する環境やタスクに常に適応できるシステムを求める。 本稿では,オンラインロボット力学モデルアライメントのためのフローマッチングを利用した生成フレームワークを提案する。 ロボットは,不整合モデルで探索するのではなく,行動自体を変換することで,より効率的に情報収集を行う。
  論文  参考訳（メタデータ） (2025-04-25T16:26:15Z)
• SATA: Safe and Adaptive Torque-Based Locomotion Policies Inspired by Animal Learning [10.138425472807368]
  SATAは、動物の移動で観察される重要な生体力学的原理と適応学習機構を模倣する生体に触発されたフレームワークである。 本手法は,早期探索を著しく改善し,トルクベースの政策を学習する上での課題を効果的に解決する。 実験結果から,SATAは,挑戦的環境においても,顕著なコンプライアンスと安全性を示すことが明らかとなった。
  論文  参考訳（メタデータ） (2025-02-18T09:25:37Z)
• Active Uncertainty Reduction for Safe and Efficient Interaction Planning: A Shielding-Aware Dual Control Approach [9.07774184840379]
  本稿では,暗黙的二重制御パラダイムに基づく対話型動作計画における能動的不確実性低減を実現するアルゴリズムを提案する。 提案手法は, 動的プログラミングのサンプリングに基づく近似に依拠し, リアルタイム勾配最適化法で容易に解けるモデル予測制御問題に導かれる。
  論文  参考訳（メタデータ） (2023-02-01T01:34:48Z)

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。