論文の概要: Racing a Wheeled Quadruped: Active Load Transfer Mitigation via Model Predictive Control

• arxiv url: http://arxiv.org/abs/2606.26313v1
• Date: Wed, 24 Jun 2026 18:54:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.059301
• Title: Racing a Wheeled Quadruped: Active Load Transfer Mitigation via Model Predictive Control
• Title（参考訳）: 車輪付き四輪車のレース:モデル予測制御によるアクティブ負荷伝達緩和
• Abstract要約: 本稿では,モデル予測制御(MPC)と強化学習(RL)を用いた階層型制御フレームワークを提案する。 このフレームワークはオフラインの時間最適レースライン生成、オンラインMPCプランナー、低レベルの全身RLポリシーを統合している。 ロボットの脚のアクチュエーターは、膝関節が反ロールトルクを発生させ、ターンに変形するアクティブサスペンションとして機能する。
• 参考スコア（独自算出の注目度）: 3.0429428698548406
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents a hierarchical control framework using model predictive control (MPC) and reinforcement learning (RL) for active roll control to manage lateral load transfer during autonomous racing of a wheeled quadruped. The framework integrates offline time-optimal raceline generation, an online MPC planner that actively minimizes the lateral Load Transfer Ratio (LTR), and a low-level, whole-body RL policy deployed directly onto the robot's 16 actuators. The MPC is based on a vehicle dynamics bicycle model of the Unitree Go2-W platform. The robot's leg actuators act as active suspension where knee joints generate anti-roll torque to bank into turns. Physical track experiments demonstrate that active roll control reduces mean LTR by up to 44%, improves the fastest lap time by 8.7%, and boosts peak lateral acceleration capability by 21.3% to 1.98 $m/s^2$, maintaining robust high-speed stability beyond the range of a non-tilting baseline controller. Supplementary code and video can be found at https://github.com/meisman-ucb/go2w-roll-control-mpc
• Abstract（参考訳）: 本稿では,車輪付き四輪車の自律走行中に横方向の負荷伝達を管理するために,モデル予測制御(MPC)と強化学習(RL)を用いた階層制御フレームワークを提案する。 このフレームワークはオフラインの時間最適レースライン生成と、横方向のロード転送比(LTR)を積極的に最小化するオンラインMPCプランナーと、ロボットの16個のアクチュエータに直接展開される低レベルの全身RLポリシーを統合している。 MPCはUnitree Go2-Wプラットフォームの車両動力学モデルに基づいている。 ロボットの脚のアクチュエーターは、膝関節が反ロールトルクを発生させ、ターンに変形するアクティブサスペンションとして機能する。 物理軌道実験により、アクティブロール制御は平均LTRを44%まで削減し、ラップタイムを8.7%改善し、ピーク横方向加速能力を21.3%から1.98$m/s^2$に向上し、非タイルベースラインコントローラの範囲を超えて堅牢な高速安定性を維持した。 追加コードとビデオはhttps://github.com/meisman-ucb/go2w-roll-control-mpcにある。

関連論文リスト

• Extending the Speed Limit of Quadrupedal Locomotion via Refined Actuator Modeling and Adaptive Command Scheduling [0.9298381080776307]
  そこで本研究では,Sim-to-realの相違を低減し,幅広いコマンド分布での学習を安定化する高速移動フレームワークを提案する。 精密アクチュエータモデルは、高速な電圧結合と磁気飽和を明示的に捉え、トルク速度エンベロープのより正確な表現を可能にする。 36.5kgのブラックパンサー2の実験では、トレッドミルで最大13.2m/s、屋外で11.65m/sの速度を示し、新しい最先端技術を確立した。
  論文  参考訳（メタデータ） (2026-09-09T08:45:38Z)
• Track-Guided Hierarchical Reinforcement Learning for Autonomous Vehicle Drifting with Minimum-Lap-Time Planning [57.68768189557651]
  フォーミュラ1では、ドライバーはタイヤグリップリミット内のレースラインを最適化し、ラップタイムを最小化する。 ラリーレースでは、ドライバーはゆるい表面をドリフトするために意図的にトラクションを壊します。 本稿では,MLTドリフトシナリオに特化して設計された計画制御フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-31T08:50:40Z)
• Physics-Aware End-to-End Deep Reinforcement Learning for Quadcopter Control with Actuator Dynamics [0.0]
  無人航空機(UAV)は、不安定な動特性のために自律制御に固有の課題を提示する。 本稿では,低レベルの身体入力に直接作用する物理認識・エンドツーエンドの深部強化学習(DRL)手法について検討する。 DDPG, TD3, PPO, SACの4つのDRLアルゴリズムを, (S1) 推力のみのホバーと (S2) ピッチトルクと翻訳目標の2段階で評価した。
  論文  参考訳（メタデータ） (2026-07-28T17:05:47Z)
• Mobile Pedipulation for Object Sliding via Hierarchical Control on a Wheeled Bipedal Robot [5.584747732103647]
  本稿では、車輪付き二足歩行ロボットが車輪付き脚で物体のすべり作業を行うことを可能にする階層型制御フレームワークを提案する。 提案手法は, 非線形モデル予測制御器 (NMPC) を低次3次元剛体に基づいて定式化する。 軌道最適化に基づくロボット物体運動プランナを開発し, 接地物体接触における棒-すべり遷移を含む基準運動を生成する。
  論文  参考訳（メタデータ） (2026-06-17T16:09:02Z)
• ZiMPedance: Impedance-Aware ZMP Modeling and Control for Payload Carrying with Quadruped Robots [4.183011762144409]
  本稿では,ゼロモーメント点 (ZMP) の定式化を導出し, 剛性, 減衰, ペイロード質量を安定マージンに関連付けるパッシブ・ペイロード・インターフェース・ダイナミクスについて述べる。 シミュレーションにおいて、提案したコントローラは安定性違反を7.0%$から0.7%$に最大10倍減らし、水平地表面反応力の労力を名目ベースラインと比較して最大15%値下げすることで移動効率を向上させる。
  論文  参考訳（メタデータ） (2026-06-17T10:00:19Z)
• 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)
• Jumping Control for a Quadrupedal Wheeled-Legged Robot via NMPC and DE Optimization [14.88101223616473]
  四足歩行ロボットは、足歩行と車輪移動の利点を組み合わせて、より優れた移動性を実現する。 ダイナミックジャンプの実行は、車輪付きの脚によって導入された追加の自由度のために、依然として重要な課題である。 そこで本研究では,アジャイル運動のための小型の車輪付き脚ロボットを開発し,新しい動き制御フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-25T06:13:59Z)
• Reinforcement Learning for Versatile, Dynamic, and Robust Bipedal Locomotion Control [106.32794844077534]
  本稿では,二足歩行ロボットのための動的移動制御系を構築するために,深層強化学習を用いた研究について述べる。 本研究では、周期歩行やランニングから周期ジャンプや立位に至るまで、様々な動的二足歩行技術に使用できる汎用的な制御ソリューションを開発する。 この研究は、二足歩行ロボットの俊敏性の限界を、現実世界での広範な実験を通じて押し上げる。
  論文  参考訳（メタデータ） (2024-01-30T10:48:43Z)
• Reaching the Limit in Autonomous Racing: Optimal Control versus Reinforcement Learning [66.10854214036605]
  ロボット工学における中心的な問題は、アジャイルなモバイルロボットの制御システムをどうやって設計するかである。 本稿では、強化学習(RL)で訓練されたニューラルネットワークコントローラが最適制御(OC)法より優れていることを示す。 その結果、アジャイルドローンを最大性能に押し上げることができ、最大加速速度は重力加速度の12倍以上、ピーク速度は時速108kmに達しました。
  論文  参考訳（メタデータ） (2023-10-17T02:40:27Z)
• Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds [100.61456258283245]
  本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。 提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
  論文  参考訳（メタデータ） (2022-07-22T15:16:54Z)
• Adapting Rapid Motor Adaptation for Bipedal Robots [73.5914982741483]
  移動制御の急速な適応の最近の進歩を活用し、二足歩行ロボットで作業できるように拡張する。 A-RMAはモデルフリーRLを用いて微調整することで不完全外部推定器の基本方針を適応する。 シミュレーションにおいて,A-RMAはRLベースのベースラインコントローラやモデルベースコントローラよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-30T17:59:09Z)
• Learning Torque Control for Quadrupedal Locomotion [22.415419916292187]
  本稿では,四足歩行のための学習トルク制御フレームワークを提案する。 高周波で関節トルクを直接予測するRLポリシーを訓練し、PDコントローラの使用を回避している。 我々の知る限り、これはエンドツーエンドの単一ニューラルネットワークで四足歩行のトルク制御を学習する最初の試みである。
  論文  参考訳（メタデータ） (2022-03-10T07:09:05Z)

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。