論文の概要: Learning All-Terrain Locomotion for a Planetary Rover with Actively Articulated Suspension

• arxiv url: http://arxiv.org/abs/2606.06790v1
• Date: Fri, 05 Jun 2026 00:20:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.491089
• Title: Learning All-Terrain Locomotion for a Planetary Rover with Actively Articulated Suspension
• Title（参考訳）: アクティブ・アーティキュレート・サスペンションを用いた惑星ローバーのオールテランのロコモーション学習
• Authors: Arthur Bouton, Tristan D. Hasseler, Michael Paton, Travis Brown, Jacob Levy, William Reid, Joshua Martin, Hari Nayar,
• Abstract要約: ERNESTは2自由度アクティブ・ジンバル・サスペンションを備えた4輪の惑星ローバーである。 単一ニューラルネットワークコントローラは、困難な地形を横断する望ましい経路を追跡するように訓練されている。
• 参考スコア（独自算出の注目度）: 0.9612340765846284
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents ERNEST, a four-wheeled planetary rover concept equipped with a two-degree-of-freedom Active Gimbal Suspension that combines yaw and roll actuation to enable wheel reconfiguration, steering, and active load redistribution. A single neural network controller, trained to track a desired path across challenging terrain, fully unlocks the capabilities of this actuated suspension system for autonomous obstacle negotiation. A reinforcement learning framework is developed using the high-fidelity DARTS simulation engine, which combines rigid-contact dynamics and Bekker-Wong terramechanics, enabling the emergence of locomotion strategies adapted to loose-soil conditions. To obtain a single unified controller across heterogeneous terrains, a policy consolidation strategy merges the experience of terrain-specialized agents into one neural network, eliminating the need for explicit terrain classification and controller switching. The resulting controller operates on a combination of proprioceptive and exteroceptive feedback, including sparse stereo-derived terrain elevation, chassis attitude, joint states, and force-torque measurements. Zero-shot transfer to the physical rover is achieved through domain randomization, sensor noise injection, and model-to-real system identification. Experimental results demonstrate autonomous traversal of rock fields, a bump trap, a wheel-high step, sand ripples, and sandy slopes. On a 20° sandy slope, the learned controller reduces the cost of transport by 37% on dry sand despite the additional actuation, and achieves superior performance on wet sand where the passive suspension becomes completely immobilized.
• Abstract（参考訳）: 本稿では,2自由度アクティブ・ジンバル・サスペンションを備えた4輪惑星ローバーのERNESTについて述べる。 1つのニューラルネットワークコントローラは、困難な地形を横断する望ましい経路を追跡するために訓練され、自律的な障害物交渉のためのこの作動サスペンションシステムの能力を完全に解き放つ。 剛性接触力学とベーカー・ウォン・テラメカニクスを組み合わせた高忠実度DARTSシミュレーションエンジンを用いて,緩やかな土壌条件に適応した移動戦略の出現を可能にする強化学習フレームワークを開発した。 不均質な地形にまたがる単一の統一されたコントローラを得るために、ポリシー統合戦略は、地形特化エージェントの経験を1つのニューラルネットワークにマージし、明示的な地形分類とコントローラ切替を不要とする。 結果として得られる制御器は、緩やかなステレオ由来の地形上昇、シャシー姿勢、関節状態、力トルク測定を含む、受容性および外受容性フィードバックの組み合わせで動作する。 物理ローバーへのゼロショット転送は、ドメインランダム化、センサノイズ注入、モデルから実際のシステム識別によって達成される。 実験により,岩場,バンプトラップ,車輪高段,砂丘,砂丘の自律走行が実証された。 20°の砂質斜面では, 乾燥砂の輸送コストを37%削減し, パッシブサスペンションが完全に固定化される湿砂の性能を向上する。

関連論文リスト

• MAPLE: Latent Multi-Agent Play for End-to-End Autonomous Driving [62.43744546817599]
  視覚言語-アクション(VLA)モデルは、エンドツーエンドのモーションプランナーとして有効であるが、クローズドループ設定で評価すると不安定である。 本稿では, VLAモデルの潜在空間における動的駆動シナリオの, リアクティブでマルチエージェントなロールアウトのための新しいフレームワークMAPLEを提案する。 MAPLEはBench2Driveで最先端の駆動性能を実現し、堅牢なE2E自動運転システムのためのスケーラブルでクローズループなマルチエージェントプレイを実演する。
  論文  参考訳（メタデータ） (2026-05-13T23:35:14Z)
• ASTER: Attitude-aware Suspended-payload Quadrotor Traversal via Efficient Reinforcement Learning [6.13534373131836]
  本稿では,ケーブルサスペンションシステムの自律逆飛行を初めて成功させた,ロバストなRLフレームワークであるASTERについて述べる。 我々は、複雑な軌道を横断する顕著な俊敏性、正確な姿勢アライメント、ロバストなゼロショット・シム・トゥ・リアルトランスファーを示す。
  論文  参考訳（メタデータ） (2026-03-11T12:40:29Z)
• Dynamic Modeling and Attitude Control of a Reaction-Wheel-Based Low-Gravity Bipedal Hopper [0.0]
  ホッピング・ロコモーションは エネルギー効率が高いが 飛行中の姿勢不安定になりやすい 本稿では,内輪を用いた不動二足歩行ロボットによる姿勢制御について述べる。 提案手法は,月の重力条件下でのMuJoCoシミュレーションで評価される。
  論文  参考訳（メタデータ） (2026-03-11T11:35:21Z)
• HUSKY: Humanoid Skateboarding System via Physics-Aware Whole-Body Control [67.58927286226925]
  本稿では,ヒューマノイド・スケータボードシステムモデリングと物理を意識した全身制御を統合した学習ベースのフレームワークを提案する。 Unitree G1のヒューマノイドプラットフォームでの実験では、現実のシナリオにおいて、私たちのフレームワークがスケートボード上で安定的でアジャイルな操作を可能にすることが示されています。
  論文  参考訳（メタデータ） (2026-02-03T07:18:01Z)
• Gait-Adaptive Perceptive Humanoid Locomotion with Real-Time Under-Base Terrain Reconstruction [86.53248703859718]
  本研究では,地形認識,歩行制御,全身制御を一つの強化学習ポリシーにマージする知覚的移動フレームワークを提案する。 31-DoF、1.65mのヒューマノイドロボットによる実験は、シミュレーションと実世界の両方で堅牢な移動を実証している。
  論文  参考訳（メタデータ） (2025-12-08T11:42:41Z)
• Autonomous Control of a Novel Closed Chain Five Bar Active Suspension via Deep Reinforcement Learning [0.6456676618238324]
  本稿では,シャーシ安定化に着目したアクティブサスペンションシステムについて述べる。 SACをPID(Proportional Integral Derivative)コントロールと併用してシャシーを安定化した。 モデルは、周囲の障害物からの距離、障害物の高さ、シャシーの向きを利用して、サスペンションの制御リンクを正確に作動させる。
  論文  参考訳（メタデータ） (2024-06-27T05:27:39Z)
• Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
  本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。 実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
  論文  参考訳（メタデータ） (2022-07-05T16:33:20Z)
• VAE-Loco: Versatile Quadruped Locomotion by Learning a Disentangled Gait Representation [78.92147339883137]
  本研究では,特定の歩行を構成する主要姿勢位相を捕捉する潜在空間を学習することにより,制御器のロバスト性を高めることが重要であることを示す。 本研究では,ドライブ信号マップの特定の特性が,歩幅,歩幅,立位などの歩行パラメータに直接関係していることを示す。 生成モデルを使用することで、障害の検出と緩和が容易になり、汎用的で堅牢な計画フレームワークを提供する。
  論文  参考訳（メタデータ） (2022-05-02T19:49:53Z)

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。