Fugu-MT 論文翻訳(概要): Nonvisual Classification of Ground-Condition by Artificial Proprioception in an Amoeba-Inspired Autonomous Walking Robot

論文の概要: Nonvisual Classification of Ground-Condition by Artificial Proprioception in an Amoeba-Inspired Autonomous Walking Robot

arxiv url: http://arxiv.org/abs/2608.05684v1
Date: Thu, 06 Aug 2026 07:19:02 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-07 17:43:06.707886
Title: Nonvisual Classification of Ground-Condition by Artificial Proprioception in an Amoeba-Inspired Autonomous Walking Robot
Title（参考訳）: アメーバ型自律歩行ロボットにおける人工プロプリオセプションによる地面コンディションの非視覚的分類
Abstract要約: 我々は,3軸加速度計,足圧センサ8台,貯水池コンピューティング(RC)を統合して人工プロプレッセプションを実装した。センサ出力の大きなゆらぎが歩行中の4脚ロボットの動的動きによって引き起こされる場合であっても,我々のシステムは,平坦あるいは粗い地上条件を高精度に分類することができる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Nonvisual classification of ground condition based on a multimodal sensing approach was investigated for an amoeba-inspired autonomous walking robot. To classify ground condition without image sensing and processing, we implemented artificial proprioception by integrating a three-axis accelerometer, eight foot pressure sensors, and reservoir computing (RC). Even when large fluctuations in the sensor outputs are caused by dynamic motions of a four-legged robot in walking, our system can classify the ground condition, flat or rough, with high accuracy. We demonstrate on-site switching of walking gait depending on ground condition in the robot. We also discuss the contribution of each sensor to ground condition classification.
Abstract（参考訳）: アメーバに触発された自律歩行ロボットに対して,マルチモーダルセンシングによる地上条件の非視覚的分類を行った。本研究では,3軸加速度計,8つの足圧センサ,貯水池コンピューティング(RC)を統合し,地中環境の分類を行った。センサ出力の大きなゆらぎが歩行中の4脚ロボットの動的動きによって引き起こされる場合であっても,我々のシステムは,平坦あるいは粗い地上条件を高精度に分類することができる。ロボットの地上状況に応じて歩行歩行のオンサイト切替を実演する。また,各センサの地盤条件分類への寄与についても論じる。

関連論文リスト

Learn Weightlessness: Imitate Non-Self-Stabilizing Motions on Humanoid Robot [56.377161933570335]
人間は自然に非自己安定化(NSS)運動中に「無重力」状態を利用する。この生物学的メカニズムに着想を得て,データセットのアノテーションに対する無重力自動ラベル方式を提案する。我々の研究は、正確な軌道追跡と適応的な環境相互作用のギャップを埋め、接触リッチなヒューマノイド制御のための生物学的にインスパイアされたソリューションを提供する。
論文参考訳（メタデータ） (2026-04-23T07:10:05Z)
CART: Context-Aware Terrain Adaptation using Temporal Sequence Selection for Legged Robots [10.100808140090315]
我々は、文脈対応地形適応アプローチに基づいて構築された高レベルコントローラであるCARTを紹介する。 CARTは、地形の堅牢な理解を達成するために、オンボードセンシングからのプロトリオセプションと外部セプションを統合している。本研究では,IsaacSimシミュレータ上でのANYmal-CロボットとBoston Dynamics SPOTロボットを用いた実環境実験を行った。
論文参考訳（メタデータ） (2026-04-15T18:52:50Z)
Controlled Flight of an Insect-Scale Flapping-Wing Robot via Integrated Onboard Sensing and Computation [16.63542876415974]
本報告では,1.29グラムの航空機用ロボットによる軌道のホバリングと追跡を,オンボードでのセンシングと計算のみで行う。モーションキャプチャーシステムの外で30秒の飛行実験で、ロボットは障害物を回避し、最終的にはひまわりに着陸した。
論文参考訳（メタデータ） (2026-02-09T07:03:53Z)
Mobile Robot Localization Using a Novel Whisker-Like Sensor [2.4440761580878823]
本稿では,単一のウィスカセンサを用いて,既知の平面環境下での接触点とロボット位置を推定するための枠組みを提案する。その結果,7mm以下の誤差で正確な接触推定と位置推定が得られた。
論文参考訳（メタデータ） (2026-01-09T08:11:15Z)
Taccel: Scaling Up Vision-based Tactile Robotics via High-performance GPU Simulation [34.47272224723296]
ロボット,触覚センサ,物体を精度と前例のない速度でモデル化するために,IPCとABDを統合した高性能なシミュレーションプラットフォームであるTaccelを提案する。並列化が制限されたサブリアルタイム速度で動作する従来のシミュレータとは異なり、Taccelは正確な物理シミュレーションとリアルな触覚信号を提供する。これらの能力は、触覚ロボットの研究と開発を拡大するための強力なツールとして、Taccelを位置づけている。
論文参考訳（メタデータ） (2025-04-17T12:57:11Z)
Multimodal Anomaly Detection based on Deep Auto-Encoder for Object Slip Perception of Mobile Manipulation Robots [22.63980025871784]
提案フレームワークは,RGBや深度カメラ,マイク,力トルクセンサなど,さまざまなロボットセンサから収集した異種データストリームを統合する。統合されたデータは、ディープオートエンコーダを訓練して、通常の状態を示す多感覚データの潜在表現を構築するために使用される。次に、トレーニングされたエンコーダの潜伏値と再構成された入力データの潜伏値との差によって測定された誤差スコアによって異常を識別することができる。
論文参考訳（メタデータ） (2024-03-06T09:15:53Z)
Learning to See Physical Properties with Active Sensing Motor Policies [20.851419392513503]
本稿では,観測された地形を入力とし,物理的特性を予測する視覚システム構築の課題を克服する手法を提案する。本稿では,身体的パラメータを推定する精度を高めるため,運動行動の学習を目的としたアクティブセンシングモータポリシ(ASMP)を紹介する。訓練されたシステムは頑丈で、地上を歩いている四足歩行ロボットのカメラが収集したデータに基づいて訓練されているにもかかわらず、ドローンが捉えたオーバーヘッド画像でも機能する。
論文参考訳（メタデータ） (2023-11-02T17:19:18Z)
Robot Learning with Sensorimotor Pre-training [98.7755895548928]
ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
論文参考訳（メタデータ） (2023-06-16T17:58:10Z)
Neural Scene Representation for Locomotion on Structured Terrain [56.48607865960868]
本研究では,都市環境を横断する移動ロボットの局所的な地形を再構築する学習手法を提案する。搭載されたカメラとロボットの軌道からの深度測定のストリームを用いて、ロボットの近傍の地形を推定する。ノイズ測定とカメラ配置の盲点からの大量の欠落データにもかかわらず,シーンを忠実に再構築する3次元再構成モデルを提案する。
論文参考訳（メタデータ） (2022-06-16T10:45:17Z)
Autonomous Aerial Robot for High-Speed Search and Intercept Applications [86.72321289033562]
高速物体把握のための完全自律飛行ロボットが提案されている。追加のサブタスクとして、我々のシステムは、表面に近い極にある気球を自律的にピアスすることができる。我々のアプローチは、挑戦的な国際競争で検証され、優れた結果が得られました。
論文参考訳（メタデータ） (2021-12-10T11:49:51Z)
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)
Task-relevant Representation Learning for Networked Robotic Perception [74.0215744125845]
本稿では,事前学習されたロボット知覚モデルの最終的な目的と協調して設計された感覚データのタスク関連表現を学習するアルゴリズムを提案する。本アルゴリズムは,ロボットの知覚データを競合する手法の最大11倍まで積極的に圧縮する。
論文参考訳（メタデータ） (2020-11-06T07:39:08Z)

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。