論文の概要: Effective Parameters, Real Behavior: Renormalization for Robotics -- From Infinite Electron Mass to Sim-to-Real Gap
- arxiv url: http://arxiv.org/abs/2607.24079v1
- Date: Mon, 27 Jul 2026 07:20:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.343543
- Title: Effective Parameters, Real Behavior: Renormalization for Robotics -- From Infinite Electron Mass to Sim-to-Real Gap
- Title（参考訳）: 有効パラメータ, 実行動: ロボットの正規化 - 無限電子質量からシム・トゥ・リアルギャップへ
- Abstract要約: シミュレーションと現実のギャップを埋めることはロボット工学の中心的な問題であり、一般的なアプローチはより正確なシミュレータを構築することである。
本稿では,再正規化に基づく別の手法を提案する: 有効で分解能に依存したパラメータを用いてシミュレータによって省略された詳細を吸収し,実動作を再現する。
- 参考スコア（独自算出の注目度）: 9.086103441538608
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bridging the sim-to-real gap is a central problem in robotics, and the prevailing approach is to build increasingly accurate simulators. Here, we propose another approach based on renormalization: using effective, resolution-dependent parameters to absorb details omitted by the simulator and reproduce real behavior. These parameters may differ from measured physical values because they compensate for what the simulator leaves out. We demonstrate this mechanism analytically for proportional--derivative (PD) control at finite simulation frequency, where proportional feedback changes the effective derivative gain and derivative feedback changes the effective inertia. We then interpret dynamic rope manipulation and underwater swimming through the same perspective. Finally, we present a practical procedure for choosing observables, identifying omitted physics, and determining effective parameters. Renormalization offers robotics a complementary path across the sim-to-real gap: effective parameters, real behavior.
- Abstract（参考訳）: シミュレーションと現実のギャップを埋めることはロボット工学の中心的な問題であり、一般的なアプローチはより正確なシミュレータを構築することである。
本稿では,再正規化に基づく別の手法を提案する: 有効で分解能に依存したパラメータを用いてシミュレータによって省略された詳細を吸収し,実動作を再現する。
これらのパラメータは、シミュレータが残したものを補うため、測定された物理値とは異なるかもしれない。
比例フィードバックが有効微分ゲインを変化させ、導関数フィードバックが有効慣性を変化させる有限シミュレーション周波数における比例微分(PD)制御を解析的に実証する。
次に、動的ロープ操作と水中泳法を同じ視点で解釈する。
最後に、観測可能なものを選択し、省略された物理を識別し、有効パラメータを決定するための実践的な手順を提案する。
再正規化は、ロボットにシミュレーションとリアルのギャップ(効果的なパラメータ、実際の振る舞い)をまたぐ補完的な経路を提供する。
関連論文リスト
- RigPI: Dynamic Parameter Identification of Rigid Body via VLM-Seeded Differentiable Simulation [16.686983429272214]
RigPIは、ロボットと物体の相互作用において、剛体と多リンク剛体の動的パラメータを特定するためのフレームワークである。
RigPIは、視覚に基づくセマンティックオーディエンス、フォーストルク測定、モーションオブザーバを、微分可能なシミュレーションパイプラインに統合する。
相対的および原始的な関節を持つ物体に対する大規模な実世界の実験は、RigPIが正確で安定したパラメータ推定を達成することを証明している。
論文 参考訳（メタデータ） (2026-06-23T22:15:42Z) - RAFL: Generalizable Sim-to-Real of Soft Robots with Residual Acceleration Field Learning [2.9644314918775962]
微分シミュレータは、材料パラメータ、制御、形態に対するソフトロボットの勾配に基づく最適化を可能にする。
本稿では,移動可能な要素レベルの補正力学場をベースシミュレータに拡張した残留加速度場学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-23T14:40:02Z) - D-REX: Differentiable Real-to-Sim-to-Real Engine for Learning Dexterous Grasping [66.22412592525369]
本稿では,ガウスのSplat表現を生かした実--sim-to-realエンジンを導入し,実-sim-to-realエンジンについて述べる。
提案エンジンは, 各種物体の形状と質量値のマス識別において, 高精度かつロバストな性能を実現していることを示す。
これらの最適化された質量値は、力覚的なポリシー学習を促進し、オブジェクトの把握において優れた、高いパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-03-01T15:32:04Z) - 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) - GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。
我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。
さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
論文 参考訳（メタデータ） (2024-12-23T18:58:17Z) - DiSECt: A Differentiable Simulator for Parameter Inference and Control
in Robotic Cutting [71.50844437057555]
軟質材料を切断するための最初の微分可能シミュレータであるDiSECtについて述べる。
シミュレータは、符号付き距離場に基づく連続接触モデルにより有限要素法を増強する。
このシミュレータは, 最先端の商用解法を用いて, 結果の力やフィールドに適合するようにキャリブレーションできることを示す。
論文 参考訳（メタデータ） (2022-03-19T07:27:19Z) - 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) - Probabilistic Inference of Simulation Parameters via Parallel
Differentiable Simulation [34.30381620584878]
実世界の計測を正確に再現するには、シミュレーターが適切な物理系のモデルを持つ必要がある。
ベイズ推定手法を用いてパラメータを推定する後者の問題に対処する。
我々は、GPUコード生成と微分可能シミュレーションを利用して、多くの粒子に対するその可能性とその勾配を並列に評価する。
論文 参考訳（メタデータ） (2021-09-18T03:05:44Z) - Auto-Tuned Sim-to-Real Transfer [143.44593793640814]
シミュレーションで訓練されたポリシーは、しばしば現実世界に移されるときに失敗する。
ドメインのランダム化のようなこの問題に取り組む現在のアプローチには、事前の知識とエンジニアリングが必要である。
実世界に合わせてシミュレータシステムパラメータを自動的にチューニングする手法を提案する。
論文 参考訳（メタデータ） (2021-04-15T17:59:55Z) - Point Cloud Based Reinforcement Learning for Sim-to-Real and Partial
Observability in Visual Navigation [62.22058066456076]
強化学習(Reinforcement Learning, RL)は、複雑なロボットタスクを解決する強力なツールである。
RL は sim-to-real transfer problem として知られる現実世界では直接作用しない。
本稿では,点雲と環境ランダム化によって構築された観測空間を学習する手法を提案する。
論文 参考訳（メタデータ） (2020-07-27T17:46:59Z) - Automatic Differentiation and Continuous Sensitivity Analysis of Rigid
Body Dynamics [15.565726546970678]
剛体力学のための微分可能な物理シミュレータを提案する。
軌道最適化の文脈では、閉ループモデル予測制御アルゴリズムを導入する。
論文 参考訳（メタデータ） (2020-01-22T03:54:00Z)
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。