論文の概要: Distributed Multi Robot Lunar Cargo Transportation via Phase Decomposed Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2607.00160v1
• Date: Tue, 30 Jun 2026 20:36:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.633985
• Title: Distributed Multi Robot Lunar Cargo Transportation via Phase Decomposed Reinforcement Learning
• Title（参考訳）: 位相分解強化学習による分散多足車輸送
• Authors: Ashutosh Mishra, Elian Neppel, Shreya Santra, Antoine Jonquières, Muhammad Athallah Naufal, Kentaro Uno, Kazuya Yoshida,
• Abstract要約: 本稿では,分散ロボットユニットを用いた協調貨物輸送のための位相分解型強化学習フレームワークを提案する。 このフレームワークは、JAXA宇宙探査試験施設における、シミュレーションおよび制御されたフィールド実験により評価される。 その結果, シミュレーションおよびハードウェア実験において, 全段階にわたる信頼性の高い協調輸送が示された。
• 参考スコア（独自算出の注目度）: 6.001288961401708
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Modular reconfigurable robotic systems provide a scalable solution for cooperative surface operations in future lunar missions. However, cooperative cargo transportation remains challenging due to morphology-dependent topology changes, strong payload-induced coupling, long-horizon decision making, and safety constraints. This paper proposes a phase-decomposed reinforcement learning framework for cooperative cargo transport with distributed robotic units. The task is decomposed into lifting, transportation, and placement, each optimized with a dedicated joint-state policy capturing inter-agent coupling. Centralized training promotes stable convergence, while deployment uses onboard proprioception for control and OptiTrack motion capture for ground-truth evaluation and post-processed metrics. A deterministic phase controller expressed in Markov state representation regulates transitions between stages, and a failure-sensitive synchronization mechanism ensures coordinated progression and safety-aware halting during real-world execution. The framework is evaluated in simulation and through controlled field experiments at a JAXA space exploration test facility. Results demonstrate reliable cooperative transport across all stages in both simulation and hardware experiments.
• Abstract（参考訳）: モジュール再構成可能なロボットシステムは、将来の月のミッションにおいて、協調的な表面操作のためのスケーラブルなソリューションを提供する。 しかし, 形態に依存したトポロジ変化, 強いペイロード結合, 長期的意思決定, 安全制約により, 協調輸送は依然として困難である。 本稿では,分散ロボットユニットを用いた協調貨物輸送のための位相分解型強化学習フレームワークを提案する。 作業は昇降、輸送、配置に分解され、それぞれがエージェント間結合をキャプチャする専用の共同政策で最適化される。 集中型トレーニングは安定的な収束を促進するが、デプロイではコントロールにプロプリセプションを使用し、グラウンドトルース評価と後処理のメトリクスにOptiTrackモーションキャプチャを使用する。 マルコフ状態表現で表される決定論的位相制御器は、ステージ間の遷移を規制し、故障に敏感な同期機構は、実世界の実行中に協調的な進行と安全に配慮した停止を確実にする。 このフレームワークは、JAXA宇宙探査試験施設における、シミュレーションおよび制御されたフィールド実験により評価される。 その結果, シミュレーションおよびハードウェア実験において, 全段階にわたる信頼性の高い協調輸送が示された。

関連論文リスト

• HCLM: A Hierarchical Framework for Cooperative Loco-Manipulation with Dual Quadrupeds [24.47863400717969]
  本稿では,2重四元系を用いた汎用協調ロコ操作のための階層的枠組みであるHCLMを紹介する。 我々のアーキテクチャは、低レベルのロバストな動作実行から高レベルの協調的推論を体系的に分離する。 その結果、信頼性の高いタスク実行、厳格な構成主義、厳しい物理的摂動に対する例外的なレジリエンスが示された。
  論文  参考訳（メタデータ） (2026-05-17T07:23:03Z)
• SynAgent: Generalizable Cooperative Humanoid Manipulation via Solo-to-Cooperative Agent Synergy [59.86199649493784]
  制御可能な協調的ヒューマノイド操作は、インボディードインテリジェンスにとって根本的な問題である。 スケーラブルで物理的に妥当な協調操作を可能にするフレームワークであるSynAgentを提案する。 実験では、SynAgentは協調模倣と軌道条件制御の両方において既存のベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-04-20T17:46:20Z)
• EMMa: End-Effector Stability-Oriented Mobile Manipulation for Tracked Rescue Robots [14.473975238280538]
  本稿では,複雑な救助シナリオにおいて安定なエンドエフェクタ動作を実現するための移動体追従マニピュレータの動作生成フレームワークを提案する。 提案フレームワークは,タスク成功率やエンドエフェクタ動作安定性など,主要な指標間でSOTA手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2026-04-09T14:28:41Z)
• CoEnv: Driving Embodied Multi-Agent Collaboration via Compositional Environment [54.84167973913561]
  CoEnvは、安全な戦略探索のためにシミュレーションを活用するフレームワークであり、信頼性の高い現実世界のデプロイメントを保証する。 CoEnvは、物理的なワークスペースをデジタル化するリアル・ツー・シムのシーン再構築、コードベースの軌道生成によるリアルタイム計画と安全な配置のための衝突検出によるシム・トゥ・リアル転送の両方をサポートするVLM駆動のアクション合成という3つの段階を経験している。
  論文  参考訳（メタデータ） (2026-04-07T06:24:41Z)
• Interaction-Aware Whole-Body Control for Compliant Object Transport [33.233203393813376]
  本稿では,人工小脳として機能する対話指向型全身制御(IO-WBC)を提案する。 IO-WBCは上流(スキルレベル)のコマンドを、接触中の安定した物理的に一貫した全身動作に変換する。
  論文  参考訳（メタデータ） (2026-03-04T05:50:40Z)
• A General Purpose Method for Robotic Interception of Non-Cooperative Dynamic Targets [0.0]
  本稿では,動的,非協調的対象の自律的,視覚に基づくインターセプションのための汎用的枠組みを提案する。 このアプローチは、ターゲット追跡のためのフィデューシャルを備えた単眼カメラにのみ依存し、ローカルなオブザーバフレームで完全に動作する。 シミュレーションおよび物理実験の結果は、低いインターセプション誤差で堅牢な性能を示す。
  論文  参考訳（メタデータ） (2025-12-23T21:14:03Z)
• Efficient and Compliant Control Framework for Versatile Human-Humanoid Collaborative Transportation [2.4087148947930634]
  本稿では,ヒューマノイドロボットが人間のパートナーと共同で移動作業を行うための制御フレームワークを提案する。 このフレームワークは翻訳運動と回転運動の両方をサポートしており、これは同時輸送のシナリオの基本である。 高レベルプランナー、低レベルコントローラ、剛性調節機構の3つのコンポーネントから構成される。
  論文  参考訳（メタデータ） (2025-12-08T18:52:10Z)
• Towards Interactive and Learnable Cooperative Driving Automation: a Large Language Model-Driven Decision-Making Framework [87.7482313774741]
  コネクテッド・オートモービルズ(CAV)は世界中の道路試験を開始したが、複雑なシナリオにおける安全性と効率性はまだ十分ではない。 本稿では,対話型かつ学習可能なLLM駆動協調運転フレームワークCoDrivingLLMを提案する。
  論文  参考訳（メタデータ） (2024-09-19T14:36:00Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)
• ReLMoGen: Leveraging Motion Generation in Reinforcement Learning for Mobile Manipulation [99.2543521972137]
  ReLMoGenは、サブゴールを予測するための学習されたポリシーと、これらのサブゴールに到達するために必要な動作を計画し実行するためのモーションジェネレータを組み合わせたフレームワークである。 本手法は,フォトリアリスティック・シミュレーション環境における7つのロボットタスクの多種多様なセットをベンチマークする。 ReLMoGenは、テスト時に異なるモーションジェネレータ間で顕著な転送可能性を示し、実際のロボットに転送する大きな可能性を示している。
  論文  参考訳（メタデータ） (2020-08-18T08:05:15Z)

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。