Fugu-MT 論文翻訳(概要): Learning a Kinodynamic Trajectory Manifold for Impact-Aware Compliant Catching of Fast-Moving Objects

論文の概要: Learning a Kinodynamic Trajectory Manifold for Impact-Aware Compliant Catching of Fast-Moving Objects

arxiv url: http://arxiv.org/abs/2605.28462v1
Date: Wed, 27 May 2026 13:31:01 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-28 17:38:56.074315
Title: Learning a Kinodynamic Trajectory Manifold for Impact-Aware Compliant Catching of Fast-Moving Objects
Title（参考訳）: 高速移動物体の衝突対応キャッチのための動力学的軌道マニフォールドの学習
Authors: Guorui Pei, Mengshi Zhang, Xi Chen, Jinsong Wu, Jiaming Qi, Peng Zhou,
Abstract要約: 空飛ぶ物体の高速捕獲は、短い反応時間、衝突の不確実性、キノダイナミックな制約のために困難である。我々は, シミュレーションにおける強化学習を用いて, 捕集軌道の収集と低次元キノダイナミックな軌道多様体の学習を行う。
参考スコア（独自算出の注目度）: 7.948428719232815
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Fast catching of free-flying objects is difficult because of short reaction time, impact uncertainty, and kinodynamic constraints. We use reinforcement learning in simulation to collect successful catching trajectories and learn a low-dimensional kinodynamic trajectory manifold. At run time, the estimated object initial state is mapped directly to a reference catching trajectory without online nonlinear optimization. The trajectory is tracked with compliant control near contact for improved impact absorption and capture stability.
Abstract（参考訳）: 空飛ぶ物体の高速捕獲は、短い反応時間、衝突の不確実性、キノダイナミックな制約のために困難である。我々は, シミュレーションにおける強化学習を用いて, 捕集軌道の収集と低次元キノダイナミックな軌道多様体の学習を行う。実行時には、推定対象の初期状態をオンライン非線形最適化なしで参照捕捉軌道に直接マッピングする。軌道は、衝突吸収と捕捉安定性を改善するために、接触近傍の適合制御で追跡される。

関連論文リスト

Motion Cues from Image-based Point Tracking for LiDAR Scene Flow Estimation [59.420015367586615]
我々は、LiDARシーンフロー推定における動的オブジェクト表現を改善するための追跡誘導フレームワークであるTrackCueを紹介する。特に、TrackCueは、ポイントトラッキングを再利用して、LiDARポイントに固定された高密度の画像空間軌跡を得る。 TrackCueは動的ラベルの精度とF1スコアを大幅に向上し、自己監督型シーンフロー推定の性能向上につながることを示す。
論文参考訳（メタデータ） (2026-05-16T10:28:54Z)
Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
論文参考訳（メタデータ） (2026-04-10T17:12:07Z)
SPOT: Spatio-Temporal Obstacle-free Trajectory Planning for UAVs in an Unknown Dynamic Environment [1.9181913148426697]
我々は、視覚に基づくセーフフライト・コリドール(SFC)世代と統合した4次元プランナーを開発した。シミュレーションおよび実世界のハードウェア実験において,本手法を広範囲に検証し,最先端の手法と比較した。
論文参考訳（メタデータ） (2026-02-01T12:24:12Z)
Dual-quaternion learning control for autonomous vehicle trajectory tracking with safety guarantees [39.146761527401424]
運動を運動論的に記述できる自律型ロボットプラットフォームのための学習型軌道追跡制御器を提案する。コントローラは二重四元数フレームワークで定式化され、角速度と直線速度の直接の指令を仮定して速度レベルで動作する。
論文参考訳（メタデータ） (2026-01-06T15:30:02Z)
Optimizing Control-Friendly Trajectories with Self-Supervised Residual Learning [10.551597725130675]
現実世界の物理学は、現代の複雑なロボットシステムに対して、一定の精度で解析的にのみモデル化できる。本稿では、上記の課題に対処するために、自己教師付き残差学習と軌道最適化の枠組みを提案する。
論文参考訳（メタデータ） (2026-01-06T06:01:58Z)
RIFT: Group-Relative RL Fine-Tuning for Realistic and Controllable Traffic Simulation [13.319344167881383]
データ駆動シミュレーターにおいて、模擬学習事前学習を行う2段階のAV中心シミュレーションフレームワークを導入する。次に、物理に基づくシミュレータで微調整を学習し、スタイルレベルの制御性を向上する。微調整段階において,新しいグループ関連RL微調整戦略であるRIFTを提案する。
論文参考訳（メタデータ） (2025-05-06T09:12:37Z)
Monte Carlo Tree Search with Velocity Obstacles for safe and efficient motion planning in dynamic environments [49.30744329170107]
本稿では,動的障害物に関する情報を最小限に抑えた最適オンライン動作計画手法を提案する。提案手法は,モデルシミュレーションによるオンライン最適計画のためのモンテカルロ木探索 (MCTS) と障害物回避のためのVelocity Obstacles (VO) を組み合わせた。我々は,非線形モデル予測制御(NMPC)を含む最先端のプランナーに対して,衝突速度,計算,タスク性能の向上の観点から,我々の方法論の優位性を示す。
論文参考訳（メタデータ） (2025-01-16T16:45:08Z)
Self-Supervised Class-Agnostic Motion Prediction with Spatial and Temporal Consistency Regularizations [53.797896854533384]
クラスに依存しない動き予測法は点雲全体の動きを直接予測する。既存のほとんどのメソッドは、完全に教師付き学習に依存しているが、ポイントクラウドデータの手作業によるラベル付けは、手間と時間を要する。 3つの簡単な空間的・時間的正則化損失を導入し,自己指導型学習プロセスの効率化を図る。
論文参考訳（メタデータ） (2024-03-20T02:58:45Z)
MSTFormer: Motion Inspired Spatial-temporal Transformer with Dynamic-aware Attention for long-term Vessel Trajectory Prediction [0.6451914896767135]
MSTFormer は Transformer に基づく動きインスパイアされた容器軌道予測手法である。軌道の空間的特徴と運動特徴を記述するためのデータ拡張手法を提案する。第2に,頻繁な動き変換を伴う軌道点に着目したマルチヘッド動的自己認識機構を提案する。第三に、モデルの性能をさらに向上させるために、知識にインスパイアされた損失関数を構築する。
論文参考訳（メタデータ） (2023-03-21T02:11:37Z)
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。