論文の概要: Robust Adaptive Backstepping Impedance Control of Robots in Unknown Environments

• arxiv url: http://arxiv.org/abs/2604.09323v1
• Date: Fri, 10 Apr 2026 13:48:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.888749
• Title: Robust Adaptive Backstepping Impedance Control of Robots in Unknown Environments
• Title（参考訳）: 未知環境におけるロボットのロバスト適応バックステッピングインピーダンス制御
• Authors: Reza Nazmara, Alap Kshirsagar, Jan Peters, A. Pedro Aguiar,
• Abstract要約: 本稿では,接触に富んだ不確実な環境で動作しているロボットに対するロバスト適応型バックステッピングインピーダンス制御(RABIC)戦略を提案する。 本稿では, 基準インピーダンスモデルを追跡するために, バックステッピングに基づくインナーループの適応インピーダンス制御方式を提案する。 不確実性に対処するために、系力学のテイラー級数に基づく推定器と、外部力の上界を決定する適応推定器を用いる。
• 参考スコア（独自算出の注目度）: 15.262365015328832
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a Robust Adaptive Backstepping Impedance Control (RABIC) strategy for robots operating in contact-rich and uncertain environments. The proposed control strategy considers the complete coupled dynamics of the system and explicitly accounts for key sources of uncertainty, including external disturbances and unmodeled dynamics, while not requiring the robot's dynamic parameters in implementation. We propose a backstepping-based adaptive impedance control scheme for the inner loop to track the reference impedance model. To handle uncertainties, we employ a Taylor series-based estimator for system dynamics and an adaptive estimator for determining the upper bound of external forces. Stability analysis demonstrates the semi-global practical finite-time stability of the overall system. To demonstrate the effectiveness of the proposed method, a simulated mobile manipulator scenario and experimental evaluations on a real Franka Emika Panda robot were conducted. The proposed approach exhibits safer performance compared to PD control while ensuring trajectory tracking and force monitoring. Overall, the RABIC framework provides a solid basis for future research on adaptive and learning-based impedance control for coupled mobile and fixed serially linked manipulators.
• Abstract（参考訳）: 本稿では,接触に富んだ不確実な環境で動作しているロボットに対するロバスト適応型バックステッピングインピーダンス制御(RABIC)戦略を提案する。 提案した制御戦略は,ロボットの動的パラメータを実装時に必要とせず,外部乱れや非モデル化されたダイナミックスを含む不確実性の鍵となる要因を明示的に説明する。 本稿では, 基準インピーダンスモデルを追跡するために, バックステッピングに基づくインナーループの適応インピーダンス制御方式を提案する。 不確実性に対処するために、系力学のテイラー級数に基づく推定器と、外部力の上界を決定する適応推定器を用いる。 安定性解析は、全体系の半グローバルな実用的な有限時間安定性を示す。 提案手法の有効性を実証するために,実物のフランカ・エミカ・パンダロボットを用いたシミュレーション移動マニピュレータシナリオと実験評価を行った。 提案手法は、軌道追跡と力監視を確実にしながら、PD制御よりも安全な性能を示す。 全体として、RABICフレームワークは、モバイルと固定直列連系マニピュレータの適応型および学習型インピーダンス制御に関する将来の研究の基盤となる。

関連論文リスト

• Intelligent Control of Differential Drive Robots Subject to Unmodeled Dynamics with EKF-based State Estimation [28.37226750522601]
  この研究は、リアプノフに基づく非線形コントローラと適応ネットワーク(ANN)を組み合わせた統一制御と状態推定フレームワークを導入する。 提案した制御器はニューラルネットワークの普遍近似特性を利用して未知の非線形性をリアルタイムでモデル化する。 堅牢な状態推定を保証するため、EKFは単分子、2D-LiDARおよびホイールエンコーダから慣性測定ユニット(IMU)とオドメトリーを融合させる。
  論文  参考訳（メタデータ） (2026-03-16T07:44:28Z)
• Spatiotemporal Tubes for Differential Drive Robots with Model Uncertainty [2.4919077201316067]
  本稿では,動的不確かさと外乱を考慮したディファレンシャルドライブ移動ロボットのための時空間管型制御フレームワークを提案する。 提案手法は,ディファレンシャルドライブロボットのシミュレーション研究を通じて検証し,最先端の手法と比較した。
  論文  参考訳（メタデータ） (2025-12-05T07:43:23Z)
• Offline Robotic World Model: Learning Robotic Policies without a Physics Simulator [50.191655141020505]
  強化学習(Reinforcement Learning, RL)は、ロボット制御において目覚ましい能力を示してきたが、高いサンプルの複雑さ、安全性の懸念、そしてシム・トゥ・リアルのギャップのため、依然として困難である。 物理シミュレータに頼らずに政策学習を改善するために不確実性を明示的に推定するモデルベースアプローチであるオフラインロボット世界モデル(RWM-O)を導入する。
  論文  参考訳（メタデータ） (2025-04-23T12:58:15Z)
• Integrating DeepRL with Robust Low-Level Control in Robotic Manipulators for Non-Repetitive Reaching Tasks [0.24578723416255746]
  ロボット工学では、現代の戦略は学習に基づくもので、複雑なブラックボックスの性質と解釈可能性の欠如が特徴である。 本稿では, 深部強化学習(DRL)に基づく衝突のない軌道プランナと, 自動調整型低レベル制御戦略を統合することを提案する。
  論文  参考訳（メタデータ） (2024-02-04T15:54:03Z)
• Incorporating Recurrent Reinforcement Learning into Model Predictive Control for Adaptive Control in Autonomous Driving [11.67417895998434]
  モデル予測制御(MPC)は、強力な制御技術として自律運転タスクに大きな注目を集めている。 本稿では,この問題を部分的に観測されたマルコフ決定過程(POMDP)として再検討する。 次に、最適かつ適応的な制御のために、リカレント強化学習(RRL)を通して、動的モデルのパラメータを継続的に適応させるリカレントポリシーを学習する。
  論文  参考訳（メタデータ） (2023-01-30T22:11:07Z)
• 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)
• Risk-Sensitive Sequential Action Control with Multi-Modal Human Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
  本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。 私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。 シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
  論文  参考訳（メタデータ） (2020-09-12T02:02:52Z)
• Reinforcement Learning for Safety-Critical Control under Model Uncertainty, using Control Lyapunov Functions and Control Barrier Functions [96.63967125746747]
  強化学習フレームワークは、CBFおよびCLF制約に存在するモデル不確実性を学ぶ。 RL-CBF-CLF-QPは、安全制約におけるモデル不確実性の問題に対処する。
  論文  参考訳（メタデータ） (2020-04-16T10:51:33Z)

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。