Fugu-MT 論文翻訳(概要): Adapting Neural Robot Dynamics on the Fly for Predictive Control

論文の概要: Adapting Neural Robot Dynamics on the Fly for Predictive Control

arxiv url: http://arxiv.org/abs/2604.04039v1
Date: Sun, 05 Apr 2026 09:45:26 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-07 15:49:18.888091
Title: Adapting Neural Robot Dynamics on the Fly for Predictive Control
Title（参考訳）: 予測制御のための飛行時のニューラル・ロボット・ダイナミクスの適応
Abstract要約: オフライントレーニングと効率的なオンライン更新を組み合わせた,ニューラルロボットダイナミックモデルの迅速な適応のためのアプローチを提案する。本研究では,新しい動作条件下でのロバストな予測追従制御を実現するために,実四足歩行ロボットのアプローチを実証する。
参考スコア（独自算出の注目度）: 7.805013939786426
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurate dynamics models are critical for the design of predictive controller for autonomous mobile robots. Physics-based models are often too simple to capture relevant real-world effects, while data-driven models are data-intensive and slow to train. We introduce an approach for fast adaptation of neural robot dynamic models that combines offline training with efficient online updates. Our approach learns an incremental neural dynamics model offline and performs low-rank second-order parameter adaptation online, enabling rapid updates without full retraining. We demonstrate the approach on a real quadrotor robot, achieving robust predictive tracking control in novel operational conditions.
Abstract（参考訳）: 自律移動ロボットの予測制御系の設計には,正確なダイナミクスモデルが不可欠である。物理ベースのモデルはしばしば、関連する実世界の効果を捉えるには単純すぎるが、データ駆動モデルはデータ集約的で訓練が遅い。オフライントレーニングと効率的なオンライン更新を組み合わせた,ニューラルロボットダイナミックモデルの迅速な適応のためのアプローチを提案する。このアプローチでは、インクリメンタルなニューラルダイナミクスモデルをオフラインで学習し、低ランクな2階パラメータ適応をオンラインで実行し、フルリトレーニングなしで迅速な更新を可能にする。本研究では,新しい動作条件下でのロバストな予測追従制御を実現するために,実四足歩行ロボットのアプローチを実証する。

関連論文リスト

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)
RoboPack: Learning Tactile-Informed Dynamics Models for Dense Packing [38.97168020979433]
本稿では, 視覚と触覚を組み合わせ, 触覚インフォームド・ダイナミックスモデルを学習することでロボット操作を実現するアプローチを提案する。提案するフレームワークであるRoboPackは、オブジェクト状態を推定するために、リカレントグラフニューラルネットワークを使用している。我々は,非包括的操作と密包装作業に対するソフトバブル触覚センサを備えた実ロボットへのアプローチを実証する。
論文参考訳（メタデータ） (2024-07-01T16:08:37Z)
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)
Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model Predictive Control [46.81433026280051]
本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
論文参考訳（メタデータ） (2022-10-23T00:45:05Z)
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)
Online Dynamics Learning for Predictive Control with an Application to Aerial Robots [3.673994921516517]
予測モデルは学習し、モデルベースのコントローラに適用することができるが、これらのモデルはしばしばオフラインで学習される。このオフライン設定では、トレーニングデータをまず収集し、精巧なトレーニング手順により予測モデルを学ぶ。本稿では,デプロイ中の動的モデルの精度を継続的に向上するオンライン動的学習フレームワークを提案する。
論文参考訳（メタデータ） (2022-07-19T15:51:25Z)
Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文参考訳（メタデータ） (2022-06-07T13:51:35Z)
Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
論文参考訳（メタデータ） (2022-04-09T22:07:34Z)
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)
Iterative Semi-parametric Dynamics Model Learning For Autonomous Racing [2.40966076588569]
本稿では,ニューラルネットワークを用いた反復学習セミパラメトリックモデルを自律レースの課題に適用する。我々のモデルは純粋にパラメトリックモデルよりも正確に学習でき、純粋に非パラメトリックモデルよりもより一般化できることを示す。
論文参考訳（メタデータ） (2020-11-17T16:24:10Z)
Structured Mechanical Models for Robot Learning and Control [38.52004843488286]
ブラックボックスニューラルネットワークは、データ非効率と、事前知識を組み込むのが困難である。本稿では,データ効率が高く,事前知識に容易に対応でき,モデルベース制御技術で容易に利用できる構造化機械モデルを提案する。我々は、限られたデータからより良く一般化し、様々なシミュレートされたロボットドメイン上でより信頼性の高いモデルベースコントローラが得られることを実証した。
論文参考訳（メタデータ） (2020-04-21T21:12:03Z)

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。