論文の概要: Distributionally Robust Control via Stein Variational Inference for Contact-Rich Manipulation

• arxiv url: http://arxiv.org/abs/2605.19029v1
• Date: Mon, 18 May 2026 18:54:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:08.929915
• Title: Distributionally Robust Control via Stein Variational Inference for Contact-Rich Manipulation
• Title（参考訳）: 接触リッチマニピュレーションのためのスタイン変分推論によるロバスト分布制御
• Authors: Hrishikesh Sathyanarayan, Victor Vantilborgh, Harish Ravichandar, Tom Lefebvre, Ian Abraham,
• Abstract要約: 信頼性の高いロボット操作には、コンタクトリッチな相互作用によって生じる不確実性を正確に表現し、適応できる制御ポリシーが必要である。 現代のデータ駆動手法は、大規模なトレーニングと計算によって不確実性を軽減し、限られたトレーニングサンプル数で性能を著しく低下させる。 我々は、より柔軟な不確実性モデリングにより、モデルに基づく制御の能力を拡張することを提案する。
• 参考スコア（独自算出の注目度）: 4.835084859827244
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Reliable robotic manipulation requires control policies that can accurately represent and adapt to uncertainty arising from contact-rich interactions. Modern data-driven methods mitigate uncertainty through large-scale training and computation, and degrade significantly in performance with limited number of training samples. By contrast, classical model-based controllers are computationally efficient and reliable, but their limited ability to represent task-relevant uncertainty can hinder performance in contact-rich interactions. In this work, we propose to expand the capabilities of model-based manipulation control through more flexible uncertainty modeling that retains performance while exactly adapting to uncertainty. Our approach casts the manipulation problem as a distributionally robust control optimization and proposes a novel deterministic formulation based on Stein variational inference that preserves performance while explicitly modeling task-sensitive parameter uncertainty. As a result, the derived controllers are more aware of task sensitivities to uncertainty, yielding high reliability without compromising performance. Experimental results demonstrate up to 3$\times$ improved robustness across a range of contact-rich manipulation tasks under broad parametric uncertainty, outperforming existing model-based control methods.
• Abstract（参考訳）: 信頼性の高いロボット操作には、コンタクトリッチな相互作用によって生じる不確実性を正確に表現し、適応できる制御ポリシーが必要である。 現代のデータ駆動手法は、大規模なトレーニングと計算によって不確実性を軽減し、限られたトレーニングサンプル数で性能を著しく低下させる。 対照的に、古典的なモデルベースコントローラは計算効率が高く信頼性が高いが、タスク関連の不確実性を表現する能力に制限があるため、コンタクトリッチな相互作用の性能が損なわれる。 本研究では,不確実性に正確に適応しながら性能を保ったより柔軟な不確実性モデリングにより,モデルに基づく操作制御の能力を拡張することを提案する。 提案手法は,操作問題を分散的ロバストな制御最適化として用い,タスク依存パラメータの不確かさを明示的にモデル化しながら,性能を保ったスタイン変分推論に基づく新しい決定論的定式化を提案する。 その結果, 導出制御器は, 不確実性に対するタスク感性をより意識し, 性能を損なうことなく高い信頼性が得られることがわかった。 実験結果は、幅広いパラメトリック不確実性の下で、様々な接触リッチな操作タスクにおいて3$\times$改善されたロバスト性を示し、既存のモデルベース制御法より優れている。

関連論文リスト

• Stein Variational Uncertainty-Adaptive Model Predictive Control [3.9554530119952673]
  遅延パラメトリック不確実性を有する非線形力学系に対するスタイン変分分布ロバスト制御器を提案する。 本手法は, 遅延パラメータの不確実性に対して頑健な制御器を, スタイン変分法による最適制御と結合することによって生成する。
  論文  参考訳（メタデータ） (2026-04-01T15:43:48Z)
• Know Where You're Uncertain When Planning with Multimodal Foundation Models: A Formal Framework [54.40508478482667]
  認識と計画生成の不確実性を解消し、定量化し、緩和する包括的枠組みを提案する。 本稿では,知覚と意思決定の独特な性質に合わせた手法を提案する。 この不確実性分散フレームワークは, 変動率を最大40%削減し, タスク成功率をベースラインに比べて5%向上させることを示した。
  論文  参考訳（メタデータ） (2024-11-03T17:32:00Z)
• Automatically Adaptive Conformal Risk Control [49.95190019041905]
  本稿では,テストサンプルの難易度に適応して,統計的リスクの近似的条件制御を実現する手法を提案する。 我々のフレームワークは、ユーザが提供するコンディショニングイベントに基づく従来のコンディショニングリスク制御を超えて、コンディショニングに適した関数クラスのアルゴリズム的、データ駆動決定を行う。
  論文  参考訳（メタデータ） (2024-06-25T08:29:32Z)
• Safe Machine-Learning-supported Model Predictive Force and Motion Control in Robotics [0.0]
  人間とロボットの相互作用や脆弱な物体のハンドリングのような多くのロボットタスクは、安全かつ高性能な操作を実現するために、動き制御と共に現れる力とモーメントの厳密な制御と制限を必要とする。 本研究では,学習支援型モデル予測力と運動制御方式を提案する。
  論文  参考訳（メタデータ） (2023-03-08T13:30:02Z)
• Probabilities Are Not Enough: Formal Controller Synthesis for Stochastic Dynamical Models with Epistemic Uncertainty [68.00748155945047]
  複雑な力学系のモデルにおける不確実性を捉えることは、安全なコントローラの設計に不可欠である。 いくつかのアプローチでは、安全と到達可能性に関する時間的仕様を満たすポリシーを形式的な抽象化を用いて合成する。 我々の貢献は、ノイズ、不確実なパラメータ、外乱を含む連続状態モデルに対する新しい抽象的制御法である。
  論文  参考訳（メタデータ） (2022-10-12T07:57:03Z)
• Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
  ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。 本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
  論文  参考訳（メタデータ） (2021-05-17T08:36:18Z)

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。