論文の概要: NeSAM: Neuro-Symbolic Kinodynamics with Soil Adaptation for Off-Road Mobility
- arxiv url: http://arxiv.org/abs/2608.21330v1
- Date: Fri, 21 Aug 2026 17:37:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-24 14:49:32.664439
- Title: NeSAM: Neuro-Symbolic Kinodynamics with Soil Adaptation for Off-Road Mobility
- Title（参考訳）: NeSAM:オフロードモビリティのための土壌適応型ニューロシンボリックキノダイナミックス
- Abstract要約: NeSAMは、Bekker-Wong terramechanicsと学習された地形表現を組み合わせた、ニューロシンボリックなフレームワークである。
NeSAMは、シミュレーションで最大30%、実世界のデータで29%の精度で予測精度を向上する。
- 参考スコア（独自算出の注目度）: 11.894870991511567
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate prediction of off-road vehicle motion over deformable terrain remains challenging because sinkage, slip, and traction vary with local soil conditions. Existing learning-based kinodynamic models directly approximate vehicle-terrain interactions from data but do not explicitly represent soil mechanics and offer limited physical interpretability. To address these limitations, we present NeSAM, a neuro-symbolic framework that combines differentiable Bekker-Wong terramechanics with learned terrain representations and a Transformer-based residual dynamics model for long-horizon, six degree-of-freedom kinodynamic prediction. The terramechanics component models soil-dependent interaction forces, while the residual model corrects discrepancies between the analytical prediction and the observed vehicle dynamics. NeSAM further estimates physically meaningful soil parameters from terrain observations and updates them online using an extended Kalman filter. We evaluate NeSAM in Verti-Bench, a simulator built on the Chrono multiphysics engine, and validate its performance on a physical Verti-4-Wheeler platform. NeSAM improves prediction accuracy by up to 30% in simulation and 29% on real-world data relative to the strongest compared baselines. When integrated with a close-loop navigation controller, NeSAM further improves traversal success rate through online soil adaptation while reduces Hausdorff distance to the reference trajectory by 69.4%, indicating improved trajectory tracking accuracy.
- Abstract（参考訳）: 変形可能な地形上でのオフロード車両の正確な走行予測は, 現地の土壌条件に応じて, 沈下, すべり, トラクションが変化するため, 依然として困難である。
既存の学習に基づくキノダイナミックモデルでは、データから直接車両とテランの相互作用を近似するが、土壌力学を明示的に表現せず、物理的解釈性に制限がある。
これらの制約に対処するために,Bekker-Wong テラメカニクスを学習地形表現と組み合わせたニューロシンボリック・フレームワークであるNeSAMと,長軸6自由度キノダイナミクス予測のためのTransformer-based residual dynamicsモデルを提案する。
地形力学成分は土壌に依存した相互作用力をモデル化し、残留モデルは解析的予測と観測された車両力学の相違を補正する。
NeSAMはさらに、地形観測から物理的に意味のある土壌パラメータを推定し、拡張されたカルマンフィルタを用いてオンラインで更新する。
We evaluate NeSAM in Verti-Bench, a simulator on the Chrono multiphysics engine, and whether its performance on a physical Verti-4-Wheeler platform。
NeSAMは、最強の比較ベースラインと比較して、シミュレーションで最大30%、実世界のデータで29%の精度で予測精度を向上する。
クローズループナビゲーションコントローラと統合すると、NeSAMはオンラインの土壌適応により、オードルフから基準軌道までの距離を69.4%削減し、軌道追跡精度を向上した。
関連論文リスト
- MILD: Tractable Terrain Modeling for Learning Improved Bipedal Locomotion on Deformable Surfaces [27.312811759047023]
物理地上の離散要素接触解法を特徴とするMILDについて述べる。
我々は、深い強化学習を通して地形認識コントローラを訓練する。
本システムでは,様々な表面硬さのオンライン識別と適応性を実証する。
論文 参考訳（メタデータ） (2026-08-20T12:24:34Z) - GAUGE: A Measurement-Grounded Benchmark for Physical Fidelity in Simulation Engines and Video World Models [66.77745044586173]
GAUGEは、数値シミュレータと生成ビデオワールドモデルがどのように現実の物理学から再現または逸脱するかを評価するための実世界の診断ベンチマークである。
一般化された軌道誤差を用いて14のタスクファミリー上でIsaac Sim,Genesis,Newtonをベンチマークし,5つの剛体タスクに対して6つのイメージ・ツー・ビデオモデルを評価する。
この結果から, 衝撃的接触, 高速繊維運動, 体積変形に起因する最大の相違点を有する一様忠実な物理エンジンは見つからなかった。
論文 参考訳（メタデータ） (2026-08-06T12:19:38Z) - VertiAKD: Adaptive Off-Road Kinodynamics on Vertically Challenging Terrain [11.894870991511567]
VertiAKDは、様々な車両にまたがるオフロードキノダイナミックな知識の伝達と適応のための統一されたフレームワークである。
We demonstrate VertiAKD in the Verti-Bench simulator, built on the Chrono multi-physics engine, on on 5 physical configurations of the Verti-4-Wheeler platform。
論文 参考訳（メタデータ） (2026-08-02T02:55:08Z) - SpikingMOT: A Spike-Driven Multi-Object Tracker [75.7974381720717]
SpikingMOTはスパイク駆動トラッカーとして提案され、スパイクニューラルネットワーク(SNN)を用いたスパース軌道力学を適応的にモデル化する。
この脳にインスパイアされたループにより、SpikeMOTは広範な実験で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-07-22T08:03:23Z) - Koopman Operator Framework for Modeling and Control of Off-Road Vehicle on Deformable Terrain [0.0]
本研究は、自動オフロード車両の予測制御のためのハイブリッド物理インフォームドおよびデータ駆動モデリングフレームワークを提案する。
コープマン線形システムは、変形可能な地形を走行する車両のシミュレーションデータを用いて構築することができる。
予測結果から,軽度地形-標高変動下での短時間水平精度とロバスト性を示した。
論文 参考訳（メタデータ） (2026-03-30T20:11:23Z) - Contact-Implicit Modeling and Simulation of a Snake Robot on Compliant and Granular Terrain [0.0]
本論文は,COBRAヘビロボットの横巻き及び転動動作を解析するための統一モデリングおよびシミュレーションフレームワークを提案する。
サイドウインド中の分散摩擦相互作用をモデル化するために、接触-単純定式化が用いられる。
急勾配での高エネルギー転がり移動には、クロノDEMエンジンが粒子と粒子の相互作用をシミュレートするために用いられる。
論文 参考訳（メタデータ） (2025-12-04T17:20:32Z) - Unified Human Localization and Trajectory Prediction with Monocular Vision [64.19384064365431]
MonoTransmotionはトランスフォーマーベースのフレームワークで、モノクロカメラのみを使用して、ローカライゼーションと予測タスクを共同で解決する。
両タスクを統合フレームワークで共同でトレーニングすることにより,ノイズの多い入力による実環境シナリオにおいて,我々の手法がより堅牢であることを示す。
論文 参考訳（メタデータ） (2025-03-05T14:18:39Z) - KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。
我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。
我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
論文 参考訳（メタデータ） (2024-07-18T05:48:24Z) - SEGNO: Generalizing Equivariant Graph Neural Networks with Physical
Inductive Biases [66.61789780666727]
等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。
また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。
我々のモデルは最先端のベースラインよりも大幅に改善されている。
論文 参考訳（メタデータ） (2023-08-25T07:15:58Z) - Improving Deep Dynamics Models for Autonomous Vehicles with Multimodal
Latent Mapping of Surfaces [23.023397401781757]
そこで本稿では,潜伏変数ベクトルに条件付けすることで表面認識力学モデルを学ぶ新しい手法を提案する。
潜時マッパーは、複数のモードからの推論中にこれらの潜時変数を更新するように訓練される。
このモデルを用いることで、様々な面および困難面において駆動性能を向上させることができることを示す。
論文 参考訳（メタデータ） (2023-03-21T11:21:31Z) - 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) - Hybrid Physics and Deep Learning Model for Interpretable Vehicle State
Prediction [75.1213178617367]
深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。
ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。
その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
論文 参考訳（メタデータ） (2021-03-11T15:21:08Z)
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。
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。