論文の概要: Efficient Transfer Learning of Robot Dynamic Models Using Morphological Similarity

• arxiv url: http://arxiv.org/abs/2607.05665v1
• Date: Mon, 06 Jul 2026 22:14:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.337044
• Title: Efficient Transfer Learning of Robot Dynamic Models Using Morphological Similarity
• Title（参考訳）: 形態的類似性を用いたロボット動的モデルの効率的な伝達学習
• Abstract要約: 我々は、スケールと流体力学特性が異なる形態学的に類似したロボットに焦点をあてる。 より大きなロボットのデータに基づいて訓練されたモデルは、ラベル付きデータに制限のある小さなロボットに適応する。 2つの実水中ロボットを用いた実験により, 提案手法により, 機体の速度を正確に推定できることがわかった。
• 参考スコア（独自算出の注目度）: 1.7616042687330642
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study proposes a neural network-based transfer learning framework for modeling the dynamics of soft, fin-actuated underwater robots. We focus on morphologically similar robots that differ in scale and hydrodynamic properties. A model trained on data from a larger robot (source domain) is adapted to a smaller one (target domain) with limited labeled data. To enable label-efficient transfer, we develop an autoencoder-based domain adaptation approach that learns a shared latent representation aligning the dynamics of both robots. Experiments on two real underwater robots show that the proposed method enables accurate state estimation of the body-frame velocities on a target platform without labeled data, highlighting its potential for efficient cross-robot dynamics transfer among morphologically similar platforms.
• Abstract（参考訳）: 本研究では,柔らかいフィン作動型水中ロボットの力学をモデル化するためのニューラルネットワークに基づく移動学習フレームワークを提案する。 我々は、スケールと流体力学特性が異なる形態学的に類似したロボットに焦点をあてる。 より大きなロボット(ソースドメイン)のデータに基づいて訓練されたモデルは、ラベル付きデータに制限された小さなもの(ターゲットドメイン)に適応する。 ラベル効率のよい転送を実現するために,両ロボットの動作を協調する共振子表現を学習する,オートエンコーダに基づくドメイン適応手法を開発した。 2つの実水中ロボットを用いた実験により,提案手法は,データにラベルを付けずに対象プラットフォーム上でのフレーム速度の正確な状態推定を可能にし,形態学的に類似したプラットフォーム間での効率的なクロスロボット動力学的移動の可能性を明らかにする。

関連論文リスト

• Data-Driven Dynamic Parameter Learning of manipulator robots [0.8679862302950613]
  動的パラメータ推定のためのトランスフォーマーに基づく手法を提案する。 データセットは、8,192個のロボットで構成され、慣性および摩擦特性は様々である。 我々のモデルは時間的および空間的依存の両方を効果的に捉えている。
  論文  参考訳（メタデータ） (2025-12-09T16:15:58Z)
• Action Flow Matching for Continual Robot Learning [54.10050120844738]
  ロボット工学における継続的な学習は、変化する環境やタスクに常に適応できるシステムを求める。 本稿では,オンラインロボット力学モデルアライメントのためのフローマッチングを利用した生成フレームワークを提案する。 ロボットは,不整合モデルで探索するのではなく,行動自体を変換することで,より効率的に情報収集を行う。
  論文  参考訳（メタデータ） (2025-04-25T16:26:15Z)
• Learning Adaptive Hydrodynamic Models Using Neural ODEs in Complex Conditions [9.392180262607921]
  強化学習に基づく四足歩行ロボットは、様々な地形を横断するが、水中で泳ぐ能力は乏しい。 本稿では,水陸両用四足歩行ロボットのためのデータ駆動型流体力学モデルの開発と評価について述べる。
  論文  参考訳（メタデータ） (2024-10-01T08:18:36Z)
• Learning a Terrain- and Robot-Aware Dynamics Model for Autonomous Mobile Robot Navigation [8.261491880782769]
  本稿では,確率的,地形的,ロボット対応のフォワードダイナミクスモデル(TRADYN)を学習するための新しいアプローチを提案する。 本研究では, 空間的に異なる摩擦係数を持つ地形特性を持つ一サイクル動的ロボットの2次元ナビゲーションシミュレーションにおいて, 提案手法の評価を行った。
  論文  参考訳（メタデータ） (2024-09-17T16:46:39Z)
• Navigating the Human Maze: Real-Time Robot Pathfinding with Generative Imitation Learning [0.0]
  目標条件付き自己回帰モデルを導入し,個人間の複雑な相互作用を捉える。 このモデルは、潜在的なロボット軌道サンプルを処理し、周囲の個人の反応を予測する。
  論文  参考訳（メタデータ） (2024-08-07T14:32:41Z)
• Comparative Evaluation of Learning Models for Bionic Robots: Non-Linear Transfer Function Identifications [0.0]
  ロボットダイナミクスの制御とモデリングは、機械学習を用いたモデルフリー制御戦略をますます採用している。 本研究では,モデルフリー制御の適用のための総合的な評価戦略とフレームワークを紹介する。
  論文  参考訳（メタデータ） (2024-07-02T17:00:23Z)
• DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative Diffusion Models [102.13968267347553]
  本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。 我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
  論文  参考訳（メタデータ） (2023-11-28T18:58:48Z)
• Cross-domain Transfer Learning and State Inference for Soft Robots via a Semi-supervised Sequential Variational Bayes Framework [7.608532769380028]
  状態ラベルが欠落したソフトロボットの移動学習と状態推論のための半教師付き逐次変分ベイズ(DSVB)フレームワークを提案する。 既存の移動学習手法とは異なり,提案するDSVBは,ソフトロボットデータにおける非線形ダイナミクスと時間的コヒーレンスをモデル化するために,リカレントニューラルネットワークを用いる。
  論文  参考訳（メタデータ） (2023-03-03T03:17:53Z)
• Universal Morphology Control via Contextual Modulation [52.742056836818136]
  異なるロボット形態をまたいだ普遍的なポリシーの学習は、継続的な制御における学習効率と一般化を著しく向上させることができる。 既存の手法では、グラフニューラルネットワークやトランスフォーマーを使用して、異種状態と異なる形態のアクション空間を処理する。 本稿では,この依存関係を文脈変調によりモデル化する階層型アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-02-22T00:04:12Z)
• Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
  データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。 ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。 ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
  論文  参考訳（メタデータ） (2022-04-09T22:07:34Z)
• Bayesian Meta-Learning for Few-Shot Policy Adaptation Across Robotic Platforms [60.59764170868101]
  強化学習手法は、重要な性能を達成できるが、同じロボットプラットフォームで収集される大量のトレーニングデータを必要とする。 私たちはそれを、さまざまなロボットプラットフォームで共有される共通の構造を捉えるモデルを見つけることを目標とする、数ショットのメタラーニング問題として定式化します。 我々は,400個のロボットを用いて,実ロボットピッキング作業とシミュレーションリーチの枠組みを実験的に評価した。
  論文  参考訳（メタデータ） (2021-03-05T14:16:20Z)

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。