論文の概要: Learning a System-Level Surrogate for Hydraulic Excavators: A Simulation-to-Real LSTM Approach

• arxiv url: http://arxiv.org/abs/2607.15656v1
• Date: Fri, 17 Jul 2026 06:04:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-20 17:56:52.757
• Title: Learning a System-Level Surrogate for Hydraulic Excavators: A Simulation-to-Real LSTM Approach
• Title（参考訳）: 油圧掘削機のためのシステムレベルサロゲートの学習:シミュレーション・トゥ・リアルLSTMアプローチ
• Authors: Shuai Wang, Shen Wang, Qiang Wang, Muguo Du, Donghai Shi, Chenyu Wang, Xiaofeng Tao,
• Abstract要約: 本稿では,システムレベルのディジタルサロゲートを学習するためのシミュレーション・トゥ・リアルフレームワークを提案する。 内部力学をモデル化する代わりに、掘削機は入力出力演算子として扱われる。 提案モデルは,シミュレーションと物理システムの両方において,ドロップインサロゲートとして機能する。
• 参考スコア（独自算出の注目度）: 19.924870252624647
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Developing autonomous hydraulic excavators is constrained by limited access to physical machines and the high cost of real-world experimentation. This paper proposes a simulation-to-real framework for learning a system-level digital surrogate using Long Short-Term Memory (LSTM) networks. Instead of modeling internal dynamics, the excavator is treated as an input-output operator, and the surrogate is trained to reproduce its closed-loop behavior under identical control inputs. The approach is first validated in a MuJoCo simulation environment and then transferred to a real excavator. To address measurement inconsistencies in real-world data, a consistency-aware state estimation method based on adaptive Kalman filtering is introduced. Experimental results demonstrate that the learned surrogate achieves high fidelity in both angular velocity and long-horizon trajectory reproduction under closed-loop autoregressive evaluation. These results confirm that the proposed model can serve as a drop-in surrogate for both simulation and physical systems, enabling scalable and efficient development of excavation automation algorithms.
• Abstract（参考訳）: 自律型油圧掘削機の開発は、物理機械への限られたアクセスと、実世界の実験のコストによって制限されている。 本稿では,Long Short-Term Memory (LSTM) ネットワークを用いたシステムレベルのディジタルサロゲート学習のためのシミュレーション・トゥ・リアルフレームワークを提案する。 内部力学をモデル化する代わりに、掘削機は入力出力演算子として扱われ、サロゲートは同じ制御入力の下で閉ループ動作を再現するように訓練される。 この手法はまず MuJoCo シミュレーション環境で検証され、次に実際の掘削機に移される。 実世界のデータにおける測定の不整合に対処するために,適応カルマンフィルタに基づく整合性を考慮した状態推定手法を提案する。 実験結果から, 閉ループ自己回帰評価において, 角速度と長軸軌道再生の両面において高い忠実性が得られることが示された。 これらの結果から,提案モデルがシミュレーションと物理システムの両方のサロゲートとして機能し,大規模かつ効率的な掘削自動化アルゴリズムの開発を可能にすることが確認された。

関連論文リスト

• SkyJEPA: Learning Long-Horizon World Models for Zero-Shot Sim-to-Real Control of Quadrotors [48.60897189520386]
  本稿では,実時間四重項制御のためのJEPAスタイルモデルを提案する。 我々は、潜伏動力学モデルと、凍結した潜伏者を解釈可能な状態にマッピングする、物理学に着想を得た新しいプロバーを組み合わせる。 高価で安全性の低い実世界のデータ収集への依存を低減するため,自動データセット生成のための構造化パイプラインを構築した。
  論文  参考訳（メタデータ） (2026-06-22T15:00:59Z)
• Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
  Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。 本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。 このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
  論文  参考訳（メタデータ） (2026-04-10T17:12:07Z)
• Simulation Distillation: Pretraining World Models in Simulation for Rapid Real-World Adaptation [46.80452332618188]
  シミュレーション蒸留(SimDist)は、シミュレータから潜在世界モデルに構造的事前を蒸留するフレームワークである。 報酬モデルと価値モデルをシミュレーションから直接転送することで、SimDistは生の知覚から密集した計画信号を提供する。 SimDistは、データ効率、安定性、最終的なパフォーマンスにおいて、従来の方法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2026-03-16T18:00:23Z)
• RC-NF: Robot-Conditioned Normalizing Flow for Real-Time Anomaly Detection in Robotic Manipulation [68.7948300643741]
  ロボットの異常検出と介入をリアルタイムに監視するロボット・コンディションド・ノーマライゼーション・フロー(RC-NF)を提案する。 RC-NFは、正規化フロー内のタスク認識ロボットとオブジェクト状態の処理を分離する。 従来のロボットタスクの監視方法と比較して、あらゆる異常なタイプで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-03-11T10:14:37Z)
• Machine learning based radiative parameterization scheme and its performance in operational reforecast experiments [21.24990493675443]
  本研究では、ディープニューラルネットワークを数値予測モデルに組み込むハイブリッド予測フレームワークに固有の制約について検討する。 残留畳み込みニューラルネットワークを用いて、中国気象庁のグローバル運用システム内での一般循環モデル(RRTMG)のラピッシブトランスファーモデル(Rapidive Transfer Model)を近似する。 リアルタイムな演算処理に適したLibTorchベースの結合方式が提案されている。
  論文  参考訳（メタデータ） (2026-01-20T04:45:45Z)
• Data-Driven Prediction of Dynamic Interactions Between Robot Appendage and Granular Material [2.551529992410986]
  別のデータ駆動型モデリング手法が提案され、特定の長さスケールでの粒状地形とのロボットの動きの相互作用に関する洞察を得ることができた。 このアプローチは,高忠実度シミュレーションデータのオフライン収集とスパース実験データの集合から得られるオフラインデータに基づいて,オンラインで使用することができる。 結果は、オンラインとオフラインの両方のフェーズにおいて、未知の複雑な地形におけるロボットのナビゲーションと探索を支援することが期待されている。
  論文  参考訳（メタデータ） (2025-06-12T16:43:21Z)
• Machine learning surrogates for efficient hydrologic modeling: Insights from stochastic simulations of managed aquifer recharge [0.0]
  機械学習シュロゲートモデルが10%未満の絶対パーセンテージ誤差を達成可能であることを示す。 このワークフローを,将来的な管理帯水層帯水層における飽和地下水流動のシミュレーションに応用する。 MLサロゲートモデルは10%の平均的な絶対パーセンテージエラーと、高次実行時の保存を達成できる。
  論文  参考訳（メタデータ） (2024-07-30T15:24:27Z)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)

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。