論文の概要: Learning from Demonstration via Spatiotemporal Tubes for Unknown Euler-Lagrange Systems

• arxiv url: http://arxiv.org/abs/2607.00534v1
• Date: Wed, 01 Jul 2026 07:24:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.776725
• Title: Learning from Demonstration via Spatiotemporal Tubes for Unknown Euler-Lagrange Systems
• Title（参考訳）: 時空間管による未知のオイラーラグランジュ系の実証から学ぶ
• Authors: Ratnangshu Das, Puneeth Shankar, Varuni Buereddy, Ravi Prakash, Pushpak Jagtap,
• Abstract要約: 本研究では,未知のオイラー・ラグランジュ系の制御にモーション学習を統合するフレームワークであるSTT-LfDを提案する。 固定参照を追跡する従来の分離されたアプローチとは異なり、提案手法はデモをデータ駆動安全仕様として扱う。
• 参考スコア（独自算出の注目度）: 2.9751538760825085
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present STT-LfD, a unified Learning from Demonstration (LfD) framework that integrates motion learning with control for unknown Euler-Lagrange systems. Unlike traditional decoupled approaches that track a fixed reference, the proposed method treats demonstrations as a data-driven safety specification. Using heteroscedastic Gaussian Processes, STT-LfD learns Spatiotemporal Tubes (STTs) as an intent envelope that capture time-varying precision requirements of a task. A closed-form feedback controller then enforces these learned constraints while respecting actuator limits, without requiring explicit system identification. The approach preserves the temporal structure of demonstrations, remains computationally efficient, and avoids explicit system identification. Hardware experiments on a mobile robot and a 7-DOF manipulator show that it outperforms baselines in robustness to disturbances and computational speed.
• Abstract（参考訳）: 我々は,未知のオイラー・ラグランジュ系の制御にモーションラーニングを統合する統合学習(LfD)フレームワークであるSTT-LfDを提案する。 固定参照を追跡する従来の分離されたアプローチとは異なり、提案手法はデモをデータ駆動安全仕様として扱う。 STT-LfDはヘテロ代用ガウス過程を用いて、タスクの時間変化精度要求をキャプチャするインテントエンベロープとして時空間管(STT)を学習する。 クローズドフォームのフィードバックコントローラは、明示的なシステム識別を必要とせず、アクチュエータの制限を尊重しながら、これらの学習制約を強制する。 この手法はデモの時間構造を保存し、計算効率を保ち、明示的なシステム識別を避ける。 移動ロボットと7-DOFマニピュレータのハードウェア実験により、乱れや計算速度に対するロバスト性において、ベースラインよりも優れていることが示された。

関連論文リスト

• Active Constraint Learning in High Dimensions from Demonstrations [4.687435652406819]
  本稿では,実演者の環境における未知の制約を推定するために,情報伝達系を用いた反復的能動制約学習(ACL)アルゴリズムを提案する。 提案手法は,未知の制約を表現するために利用可能な実演データセット上のガウス過程 (GP) を反復的に訓練し,その結果のGP後処理を用いて開始/終了状態のクエリを行い,データセットに追加される情報的な実演を生成する。 高次元非線形力学と未知の非線形制約を用いたシミュレーションおよびハードウェア実験において、本手法は、反復的に生成されたスパースかつ情報的デモンストレーションの集合からの制約推論を正確に行うために、ベースラインのランダムサンプリングに基づく手法より優れている。
  論文  参考訳（メタデータ） (2025-12-28T03:06:05Z)
• Learning Neural Control Barrier Functions from Expert Demonstrations using Inverse Constraint Learning [1.7235805533661985]
  我々は、安全、すなわち制御された前方不変集合に属することを考慮し、システムの状態を分類する制約関数を訓練する。 次に、その関数を使用して、新しいシミュレートされた軌道のセットをラベル付けし、神経CBFをトレーニングします。 4つの異なる環境において、我々のアプローチを実証的に評価し、既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-10-24T15:20:34Z)
• LTLDoG: Satisfying Temporally-Extended Symbolic Constraints for Safe Diffusion-based Planning [12.839846486863308]
  本研究では,新しい静的かつ時間的に拡張された制約/命令に準拠する長い水平軌道を生成することに焦点を当てる。 本稿では、線形時間論理を用いて指定された命令を与えられた逆プロセスの推論ステップを変更する、データ駆動拡散に基づくフレームワーク、 finiteDoGを提案する。 ロボットナビゲーションと操作の実験では、障害物回避と訪問シーケンスを指定する公式を満たす軌道を生成することができる。
  論文  参考訳（メタデータ） (2024-05-07T11:54:22Z)
• Unsupervised Continual Anomaly Detection with Contrastively-learned Prompt [80.43623986759691]
  UCADと呼ばれる新しい非教師付き連続異常検出フレームワークを提案する。 このフレームワークは、対照的に学習したプロンプトを通じて、UDAに継続的な学習能力を持たせる。 我々は総合的な実験を行い、教師なし連続異常検出とセグメンテーションのベンチマークを設定した。
  論文  参考訳（メタデータ） (2024-01-02T03:37:11Z)
• DeNoising-MOT: Towards Multiple Object Tracking with Severe Occlusions [52.63323657077447]
  DNMOTは、複数のオブジェクト追跡のためのエンドツーエンドのトレーニング可能なDeNoising Transformerである。 具体的には、トレーニング中にノイズを伴って軌道を拡大し、エンコーダ・デコーダアーキテクチャのデノイング過程をモデルに学習させる。 我々はMOT17,MOT20,DanceTrackのデータセットについて広範な実験を行い,実験結果から,提案手法が従来の最先端手法よりも明確なマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2023-09-09T04:40:01Z)
• Value function estimation using conditional diffusion models for control [62.27184818047923]
  拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。 拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。 本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
  論文  参考訳（メタデータ） (2023-06-09T18:40:55Z)
• In-Distribution Barrier Functions: Self-Supervised Policy Filters that Avoid Out-of-Distribution States [84.24300005271185]
  本稿では,任意の参照ポリシーをラップした制御フィルタを提案する。 本手法は、トップダウンとエゴセントリックの両方のビュー設定を含むシミュレーション環境における2つの異なるビズモータ制御タスクに有効である。
  論文  参考訳（メタデータ） (2023-01-27T22:28:19Z)
• Learning Robust Output Control Barrier Functions from Safe Expert Demonstrations [50.37808220291108]
  本稿では,専門家によるデモンストレーションの部分的な観察から,安全な出力フィードバック制御法を考察する。 まず,安全性を保証する手段として,ロバスト出力制御バリア関数(ROCBF)を提案する。 次に、安全なシステム動作を示す専門家による実証からROCBFを学習するための最適化問題を定式化する。
  論文  参考訳（メタデータ） (2021-11-18T23:21:00Z)
• Imitation Learning for Robust and Safe Real-time Motion Planning: A Contraction Theory Approach [9.35511513240868]
  LAG-ROSは、境界外乱によって乱される安全臨界非線形システムのリアルタイムロバストな動作計画アルゴリズムである。 LAG-ROSはリアルタイム計算のためのより速い実行の速度のより高い制御性能そしてタスクの成功率を達成します。
  論文  参考訳（メタデータ） (2021-02-25T03:47:15Z)

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。