論文の概要: Dynamic robotic cloth folding with efficient Koopman operator-based model predictive control

• arxiv url: http://arxiv.org/abs/2605.18373v1
• Date: Mon, 18 May 2026 13:21:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:49.626647
• Title: Dynamic robotic cloth folding with efficient Koopman operator-based model predictive control
• Title（参考訳）: 効率的なクープマン演算子に基づくモデル予測制御による動的ロボット布の折り畳み
• Authors: Edoardo Caldarelli, Franco Coltraro, Adrià Colomé, Lorenzo Rosasco, Carme Torras,
• Abstract要約: 本稿では,ロボット布を折り畳むための新しいモデル予測制御器を提案する。 物理に基づく布のダイナミクスのシミュレーションと、効率的なカーネルベースのクープマン演算子の回帰を統合している。 クープマン作用素モデルにより供給される線形化を用いて,高速な折りたたみ軌跡を効率よく生成し,未知のポーズを生成できることを示す。
• 参考スコア（独自算出の注目度）: 11.030532126096004
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robotic cloth folding is a challenging task, particularly when considering dynamic folding tasks, which aim at folding cloth by fast motions that leverage its dynamics. When subject to such fast motions, the complexity of cloth dynamics hinders both system identification and planning of folding trajectories, resulting in a difficult simulation-to-reality transfer when using physical models of cloth. Compared to the dexterity that humans exhibit when performing folding tasks, robotic approaches usually employ small garments with quite rigid dynamics, and are either too slow, or fast but imprecise, requiring several attempts to achieve a reasonably good fold. In this paper, we tackle these challenges by generating fast folding trajectories with a novel model predictive controller, integrating physics-based simulation of cloth dynamics and efficient, kernel-based Koopman operator regression. Koopman operator regression, an increasingly popular machine learning technique for nonlinear system identification, is used to obtain a linear model for the cloth being folded. Such a surrogate model, trained with data from a high-fidelity, physics-based cloth simulator, can then be employed within a suitable model predictive control algorithm, in place of the costly, nonlinear one, to efficiently generate folding trajectories to be executed by a robotic manipulator. Both in simulated and real-robot experiments, we show how the linearization supplied by the Koopman operator-based model can be employed to efficiently generate fast folding trajectories to unseen poses, without sacrificing folding accuracy.
• Abstract（参考訳）: ロボット布の折りたたみは、特に動的折りたたみ作業を考える際には難しい課題である。 このような高速な動きを受けると、布の力学の複雑さは系の同定と折りたたみ軌道の計画の両方を妨げるため、布の物理モデルを使用する場合のシミュレーションと現実の移動が困難になる。 人間が折りたたみ作業を行うときの繊細さと比較すると、ロボットのアプローチは通常、非常に厳密な動力学を持つ小さな衣服を使用し、遅すぎるか、速いが不正確であり、適度に良い折りたたみを実現するためにいくつかの試みが必要になる。 本稿では、新しいモデル予測制御器を用いて高速な折りたたみ軌道を生成、物理に基づく布の力学シミュレーションとカーネルベースのクープマン演算子回帰を統合することで、これらの課題に対処する。 非線形システム同定のための機械学習手法であるクープマン演算子の回帰は、折り畳まれる布の線形モデルを得るために用いられる。 このようなサロゲートモデルは、高忠実な物理ベースの布シミュレータからのデータで訓練され、高価な非線形のものに代えて、適切なモデル予測制御アルゴリズム内で使用することができ、ロボットマニピュレータによって実行される折りたたみ軌道を効率的に生成することができる。 シミュレーションと実ロボット実験の両方において、Koopman演算子モデルによって供給される線形化を用いて、高速な折りたたみ軌跡を、折りたたみ精度を犠牲にすることなく効率よく生成できることを示す。

関連論文リスト

• Dynamic Modeling and Robust Gait Optimization of a Compliant Worm Robot [6.048766517808481]
  本稿では,共振管を走行可能なロボットのモデリングと最適化の枠組みを実験的に検討する。 平均出力を最小化しながら平均速度を最大化する多目的歩行最適化問題を定式化する。 その結果,提案手法はロボットの移動とエネルギー消費の優位性を捉えていることがわかった。
  論文  参考訳（メタデータ） (2026-04-13T20:20:03Z)
• Sim-to-Real Transfer for Muscle-Actuated Robots via Generalized Actuator Networks [53.12548325396181]
  柔らかい筋肉のアクティベーションと組み合わせたテンドンドライブは、より速く、より安全なロボットを可能にする。 この複雑なアクチュエータのニューラルネットワークモデルを学習するsim-to-realパイプラインを提案する。 我々は,完全にシミュレーションで訓練された,正確なゴール獲得とダイナミック・ボール・イン・カップ・ポリシーの展開に成功した。
  論文  参考訳（メタデータ） (2026-04-10T16:52:54Z)
• Simulation-Driven Evolutionary Motion Parameterization for Contact-Rich Granular Scooping with a Soft Conical Robotic Hand [14.911239660367926]
  ツールベースのスクーピングは、さまざまな大きさ、形状、物質状態の物体との相互作用を可能にするロボット支援タスクにおいて不可欠である。 近年の研究では、柔軟で再構成可能なソフトロボットのエンドエフェクターが、スクーピング中に一貫した接触を維持するために形状に適応できることが示されている。 これらのソフトツールは、複雑な感知や制御を必要とせずに、様々な容器の大きさや材料に調整することができる。 本稿では,変形可能な円錐型ロボットハンドの物理シミュレーションモデルの開発について述べる。
  論文  参考訳（メタデータ） (2026-04-07T07:30:21Z)
• Trajectory Generation for Underactuated Soft Robot Manipulators using Discrete Elastic Rod Dynamics [2.739506394240299]
  動的に実現可能な軌道を持つ計画運動は任意の変形を捉えるモデルを必要とする。 本研究は,空気圧式ソフトロボットアームを用いた軌道生成の枠組みを実験的に検証する。
  論文  参考訳（メタデータ） (2026-03-23T22:01:14Z)
• Surrogate compliance modeling enables reinforcement learned locomotion gaits for soft robots [5.193389420813379]
  適応型形態形成ロボットは、変化するタスクや環境条件を満たすために形態と制御ポリシーに適応する。 このようなシステムの多くは、形状変形を可能にするソフトコンポーネントを利用するが、シミュレーションや制御の課題も導入している。 本稿では,ソフトボディ物理を明示的にモデル化する代わりに,剛体シミュレータ内でのソフトマテリアル変形を表す間接変数を導入する。
  論文  参考訳（メタデータ） (2025-12-08T02:52:42Z)
• Physics-informed Machine Learning for Static Friction Modeling in Robotic Manipulators Based on Kolmogorov-Arnold Networks [1.729944896610809]
  摩擦モデリングはロボットオペレーティングシステムにおいて高精度な動作制御を実現する上で重要な役割を担っている。 本稿では,ロボット関節の静的摩擦モデリングのためのKAN(Kolmogorov Arnold Network)に基づく物理インスパイアされた機械学習手法を提案する。
  論文  参考訳（メタデータ） (2025-11-13T08:32:45Z)
• Physical Autoregressive Model for Robotic Manipulation without Action Pretraining [65.8971623698511]
  我々は、自己回帰ビデオ生成モデルを構築し、物理自己回帰モデル(PAR)を提案する。 PARは、アクション事前トレーニングを必要とせず、物理力学を理解するために、ビデオ事前トレーニングに埋め込まれた世界の知識を活用する。 ManiSkillベンチマークの実験は、PARがPushCubeタスクで100%の成功率を達成したことを示している。
  論文  参考訳（メタデータ） (2025-08-13T13:54:51Z)
• 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)
• Robotic World Model: A Neural Network Simulator for Robust Policy Optimization in Robotics [50.191655141020505]
  この研究は、長期水平予測、エラー蓄積、およびsim-to-real転送の課題に対処することで、モデルに基づく強化学習を前進させる。 スケーラブルでロバストなフレームワークを提供することで、現実のアプリケーションにおいて適応的で効率的なロボットシステムを実現することができる。
  論文  参考訳（メタデータ） (2025-01-17T10:39:09Z)
• 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)
• 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)

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。