論文の概要: A Continual Learning Framework for Adaptive Control of Modular Soft Robots
- arxiv url: http://arxiv.org/abs/2607.06740v1
- Date: Tue, 07 Jul 2026 19:11:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-09 22:50:30.201312
- Title: A Continual Learning Framework for Adaptive Control of Modular Soft Robots
- Title（参考訳）: モジュール型ソフトロボットの適応制御のための連続学習フレームワーク
- Abstract要約: ソフトロボットは医療介入、リハビリテーション、ロボット操作などの応用において大きな注目を集めている。
MSRは、複雑なタスクを実行することができる高度に変形可能で再構成可能な構造を持つ、新しいタイプのロボットシステムである。
既存のアプローチでは、ロボットの形態が変わるたびにコントローラーをスクラッチから再訓練する必要がある。
本稿では,ロボット形態の変化に漸進的に適応できる連続学習型制御フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 4.374184567811783
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Soft robots have attracted significant attention in applications such as medical intervention, rehabilitation, and robotic manipulation due to their inherent compliance, flexibility, and high degrees of freedom. Modular soft robots (MSRs), composed of multiple interconnected segments, represent an emerging class of robotic systems with highly deformable and reconfigurable structures capable of performing complex tasks. However, designing controllers for MSRs remains challenging due to their nonlinear dynamics, modeling complexity, and hyper-redundant nature. Existing approaches typically require controllers to be retrained from scratch whenever the robot morphology changes. In this work, we address these challenges through a continual learning inspired control framework capable of incrementally adapting to changes in robot morphology while preserving previously acquired knowledge. Specifically, the proposed framework enables the controller to sequentially learn new MSR configurations without forgetting previously learned ones. In addition, for MSRs with fixed configurations, the same framework can be employed in a distributed manner to learn module-specific dynamics, enabling localized control and improved precision. The proposed approach is validated through closed-loop trajectory tracking experiments in simulation using a tendon-driven soft robot, as well as on a real-world three-module pneumatic soft robotic arm. Furthermore, we demonstrate the adaptive capabilities of the framework through a reaching experiment in which the controller selectively activates only the necessary modules to reach a virtual target position, thereby reducing computational overhead.
- Abstract（参考訳）: ソフトロボットは、医療介入、リハビリテーション、ロボット操作などの応用において、固有のコンプライアンス、柔軟性、高い自由度のために大きな注目を集めている。
複数の相互接続セグメントで構成されるモジュールソフトロボット(MSR)は、複雑なタスクを実行できる高度に変形可能で再構成可能な構造を持つ、新しいタイプのロボットシステムである。
しかし、MSRのためのコントローラの設計は、その非線形力学、モデリングの複雑さ、超冗長性のために依然として困難である。
既存のアプローチでは、ロボットの形態が変わるたびにコントローラーをスクラッチから再訓練する必要がある。
本研究では,ロボット形態の変化に適応しつつ,これまで獲得した知識を維持しつつ,段階的に適応できる連続学習型制御フレームワークを通じて,これらの課題に対処する。
特に,提案するフレームワークでは,従来学習されていた構成を忘れずに,新たなMSR構成を逐次学習することができる。
さらに、固定構成のMSRでは、同じフレームワークを分散的に使用してモジュール固有のダイナミクスを学習し、局所制御と精度の向上を実現している。
提案手法は、腱駆動型ソフトロボットを用いたシミュレーションにおける閉ループ軌道追跡実験および実世界の3モジュール空気圧ロボットアームを用いて検証される。
さらに、コントローラが仮想目標位置に到達するために必要なモジュールのみを選択的に活性化し、計算オーバーヘッドを低減させるというリーチ実験を通じて、フレームワークの適応能力を実証する。
関連論文リスト
- Tendon-Driven Continuum Robot with Modular Stiffness and In-Situ Self Pose Estimation [11.597035276368608]
本稿では,機械的再構成性と車載ポーズ推定を組み合わせた自己完結型モジュール型連続ロボットプラットフォームを提案する。
原始知覚は磁気センサとモジュラー学習ベースのフレームワークを用いて達成される。
システムは実世界で実験的に検証され、外部追跡なしで自己認識能力と適応性を示す。
論文 参考訳（メタデータ） (2026-09-14T19:21:09Z) - Learning Context-Aware Neural ODE Dynamics for Adaptive Robotic Control [55.01272784312405]
本稿では,ニューラル常微分方程式に基づく文脈認識力学モデルを提案する。
Sphero BOLTロボットとFanucマニピュレータを実世界の実験で使用した。
論文 参考訳（メタデータ） (2026-06-13T20:55:46Z) - Reinforcement learning in linear embedding space unlocks generalizable control across soft robot configurations [60.42735420750131]
タコや象のトランクのような軟体生物は、顕著な形態的適応性を示す。
近年、様々なソフトロボットが登場し、様々な素材、硬さ、特定のタスクに合わせた形態を特徴としている。
本稿では,多様なソフトロボット構成にまたがる迅速な適応を可能にする汎用制御システムを提案する。
論文 参考訳（メタデータ） (2026-06-06T11:09:46Z) - X-OP: Cross-Morphology Whole-Body Teleoperation via MPC Retargeting [3.134050607080983]
全体遠隔操作は、ロコ操作タスクにおけるスケーラブルなロボットデータ収集に不可欠である。
単一のXRデバイスによって駆動される階層的な全身遠隔操作フレームワークを提案する。
我々は,ヒューマノイドと移動マニピュレータの双方において,全身制御タスクにおいて高い成功率を示す。
論文 参考訳（メタデータ） (2026-06-06T01:50:59Z) - Sim-to-Real Transfer for Muscle-Actuated Robots via Generalized Actuator Networks [53.12548325396181]
柔らかい筋肉のアクティベーションと組み合わせたテンドンドライブは、より速く、より安全なロボットを可能にする。
この複雑なアクチュエータのニューラルネットワークモデルを学習するsim-to-realパイプラインを提案する。
我々は,完全にシミュレーションで訓練された,正確なゴール獲得とダイナミック・ボール・イン・カップ・ポリシーの展開に成功した。
論文 参考訳（メタデータ） (2026-04-10T16:52:54Z) - Current state of the multi-agent multi-view experimental and digital twin rendezvous (MMEDR-Autonomous) framework [0.0]
マシンラーニングベースのメソッドをガイダンス、ナビゲーション、コントロールアーキテクチャに統合して、堅牢なランデブーおよびドッキングフレームワークを設計することができる。
MMEDR-Autonomousは、学習ベースの光ナビゲーションネットワーク、開発中の強化学習ベースのガイダンスアプローチ、ループ内テストベッドからなる統合フレームワークである。
MMEDR-Autonomousフレームワークは現在、マルチエージェントランデブーシナリオにおける統合的な検証に向けて進んでいる。
論文 参考訳（メタデータ） (2026-03-21T00:13:54Z) - HybridMimic: Hybrid RL-Centroidal Control for Humanoid Motion Mimicking [3.446278503007937]
HybridMimicは、学習ポリシーがセントロイドモデルベースのコントローラを動的に変調するフレームワークである。
最先端のRLベースラインと比較して平均ベース位置追跡誤差を13%削減する。
論文 参考訳（メタデータ） (2026-03-06T17:58:02Z) - Simulation-based Learning of Electrical Cabinet Assembly Using Robot Skills [2.900269335003268]
本稿では、DINレール上での電気端子の力制御組立を自動化するためのシミュレーション駆動方式を提案する。
提案手法は,物理シミュレーション環境下での深部強化学習(DRL)とパラメータ化可能なロボット技術を統合する。
実験結果は, 位置差や回転偏差の大きい場合であっても, シミュレーションと実世界の双方で高い成功率(最大100%)を示した。
論文 参考訳（メタデータ） (2026-02-16T08:45:54Z) - Robotic World Model: A Neural Network Simulator for Robust Policy Optimization in Robotics [50.191655141020505]
この研究は、長期水平予測、エラー蓄積、およびsim-to-real転送の課題に対処することで、モデルに基づく強化学習を前進させる。
スケーラブルでロバストなフレームワークを提供することで、現実のアプリケーションにおいて適応的で効率的なロボットシステムを実現することができる。
論文 参考訳（メタデータ） (2025-01-17T10:39:09Z) - Learning and Adapting Agile Locomotion Skills by Transferring Experience [71.8926510772552]
本稿では,既存のコントローラから新しいタスクを学習するために経験を移譲することで,複雑なロボティクススキルを訓練するためのフレームワークを提案する。
提案手法は,複雑なアジャイルジャンプ行動の学習,後肢を歩いたまま目標地点への移動,新しい環境への適応を可能にする。
論文 参考訳（メタデータ） (2023-04-19T17:37:54Z) - Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model Predictive Control [46.81433026280051]
本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。
我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
論文 参考訳（メタデータ） (2022-10-23T00:45:05Z) - Active Predicting Coding: Brain-Inspired Reinforcement Learning for
Sparse Reward Robotic Control Problems [79.07468367923619]
ニューラルジェネレーティブ・コーディング(NGC)の神経認知計算フレームワークによるロボット制御へのバックプロパゲーションフリーアプローチを提案する。
我々は、スパース報酬から動的オンライン学習を容易にする強力な予測符号化/処理回路から完全に構築されたエージェントを設計する。
提案するActPCエージェントは,スパース(外部)報酬信号に対して良好に動作し,複数の強力なバックプロップベースのRLアプローチと競合し,性能が優れていることを示す。
論文 参考訳（メタデータ） (2022-09-19T16:49:32Z)
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。