論文の概要: Cognitively-Grounded On-Device Runtime Learning for Ground Robots in Unknown Physical Environments

• arxiv url: http://arxiv.org/abs/2608.28677v1
• Date: Tue, 25 Aug 2026 22:12:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 13:22:13.01102
• Title: Cognitively-Grounded On-Device Runtime Learning for Ground Robots in Unknown Physical Environments
• Title（参考訳）: 未知の物理環境下での地上ロボットの認知型オンデバイス実行学習
• Abstract要約: ulCogRunは、安全クリティカルな地上ロボットがエッジAIデバイス上で完全にランタイム学習を実行することを可能にするフレームワークである。 CogRunはLearning-Agent、Rational-Agent、Coordinatorの3つのコンポーネントで構成されている。 実世界の野生の森の四足歩行ロボットと、シミュレーションされた野生の森のオフロード自動運転車の実験は、CogRunが安全で効率的なランタイム学習を可能にすることを実証している。
• 参考スコア（独自算出の注目度）: 1.529342790344802
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents \ul{CogRun}, a framework that enables safety-critical ground robots to perform cognitively-grounded runtime learning entirely on edge-AI devices in unknown physical environments, without prior maps or perceptual knowledge. CogRun consists of three components: a Learning-Agent, a Rational-Agent, and a Coordinator. The Learning-Agent is novel in cognitive-neural learning architecture, which featurs dedicated replay buffers, cognition-driven experience sampling, and a safety-aware action blending of actor-critic reinforcement learning (RL) with instance-based learning (IBL). The Rational-Agent is a non-learning module that complements the Learning-Agent by exclusively handling safety-critical functions, while the Coordinator manages interactions between the two agents to promote safe and efficient runtime learning. CogRun's full autonomy stack (i.e., perception, learning, and control) on edge-AI devices eliminates dependence on wireless communications, enabling broader applications in challenging environments with limited or no connectivity. Experiments on a quadruped robot in real-world wild forests and on an off-road autonomous vehicle in a simulated wild forest demonstrate that CogRun enables safe and efficient runtime learning, allowing robots to safely and continuously interact with the physical world for enhancing task performance in complex, unknown environments.
• Abstract（参考訳）: 本稿では,安全クリティカルな地上ロボットが,未知の物理環境におけるエッジAIデバイス上で,事前マップや知覚的知識を使わずに,完全に認知的な実行時学習を実現するためのフレームワークである \ul{CogRun} を提案する。 CogRunはLearning-Agent、Rational-Agent、Coordinatorの3つのコンポーネントで構成されている。 ラーニング・アジェント(Learning-Agent)は、認知神経学習アーキテクチャにおいて、専用のリプレイバッファ、認知駆動経験サンプリング、およびアクター-批判的強化学習(RL)とインスタンスベース学習(IBL)を融合した安全対応アクションである。 Rational-AgentはLearning-Agentを補完する非学習モジュールで、安全で効率的なランタイム学習を促進するために、Coordinatorは2つのエージェント間のインタラクションを管理する。 CogRunのエッジAIデバイス上の完全な自律スタック(知覚、学習、制御)は、無線通信への依存をなくし、限られた、または全く接続のない環境においてより広範なアプリケーションを可能にする。 実世界の野生の森の四足歩行ロボットと、シミュレーションされた野生の森のオフロード自動運転車の実験では、CogRunが安全で効率的なランタイム学習を可能にし、複雑な未知の環境でのタスクパフォーマンスを向上させるために、ロボットが物理的世界と安全かつ継続的に対話できることが示されている。

関連論文リスト

• Learning Physical Interaction: A Survey of Tactile- and Force-aware Robot Learning [128.76135832773102]
  物理的に接地されたロボットインテリジェンスは、ロボットが物理的世界との相互作用を知覚し、推論し、規制することを要求する。 近年のロボット学習法は, 力, 触覚, 視覚, 言語, 触覚を学習操作ポリシーに組み込むことで, 大幅な進歩を遂げている。 これらの進歩にもかかわらず、既存の調査では、統一的な視点から、力と触覚を意識したロボット学習を明示的にレビューしていない。
  論文  参考訳（メタデータ） (2026-08-02T14:22:01Z)
• Exploratory, Communicative, and Deployable: Vision-Driven Embodied Agents for Open-World Mobile Manipulation [47.58516950734307]
  既存のフレームワークは、しばしば特権化されたシミュレータの状態に依存するか、あるいは完全な命令を仮定し、現実的なデプロイメント課題を回避します。 本稿では,オープンワールドモバイル操作のためのエージェントフレームワークREALを提案する。 我々は、データ収集、教師付き微調整、オンライン強化学習を駆動するための多様なタスク構成を設計する。
  論文  参考訳（メタデータ） (2026-07-15T09:55:45Z)
• VAIC: Vision-Guided Humanoid Agile Object Interaction Control via Decoupled Commands [56.029505206531155]
  Vision Guided Agile Interaction Control (VAIC)は、現在のコントローラとヒューマノイドロボットのギャップを埋める統合フレームワークである。 まず、特権教師政策は、正確な物体運動学と正確な環境状態を用いて多様な相互作用スキルを習得する。 第二に、デプロイ可能な学生ポリシーは、全体追跡を複数の軸にまたがる速度目標に置き換えることで、これらの能力を蒸留する。
  論文  参考訳（メタデータ） (2026-06-08T09:52:55Z)
• CORAL: Scalable Multi-Task Robot Learning via LoRA Experts [49.759823970016974]
  実世界のロボット工学におけるビジョン・ランゲージ・アクション(VLA)モデルは、コアマルチタスク学習の課題を露呈する。 タスク毎に個別の完全なチェックポイントを維持することは、しばしばストレージとデプロイメントの禁止である。 主にマルチタスク干渉を軽減するために設計されたバックボーンおよび非依存のフレームワークであるCORALを提案する。
  論文  参考訳（メタデータ） (2026-03-10T07:28:41Z)
• InterReal: A Unified Physics-Based Imitation Framework for Learning Human-Object Interaction Skills [16.31202379413011]
  我々は,現実世界の人間-物体間相互作用(HOI)制御のための統合物理学に基づく模倣学習フレームワークを開発した。 InterRealは、人間型ロボットがHOI参照動作をトラッキングし、きめ細かい対話的スキルの学習を容易にする。 クリティカルトラッキングエラーメトリクスによって導かれるメタ政治は、低レベルの強化学習目標に対して報酬信号を探索し、割り当てる。
  論文  参考訳（メタデータ） (2026-03-08T07:44:35Z)
• Siamese Network with Dual Attention for EEG-Driven Social Learning: Bridging the Human-Robot Gap in Long-Tail Autonomous Driving [0.0]
  本研究では脳波信号の分類を行う脳-コンピュータインタフェース(BCI)フレームワークを提案する。 タイムリーかつモチベーションの高いコロボティックエンジニアリングアプリケーションとして、準自律ロボット運転における危険事象を警告するために、人間とループのシナリオをシミュレートする。 本稿では,脳波を符号化した信号表現を生成するために,ダイナミック・タイム・ワーピング・バリーセンタ平均化手法と組み合わせた二重アテンション・シームズ畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2025-04-14T15:06:17Z)
• Robot Navigation with Entity-Based Collision Avoidance using Deep Reinforcement Learning [0.0]
  本稿では,ロボットナビゲーションと各種エージェントや障害物とのインタラクションを改善するための,新しい深層強化学習手法を提案する。 このアプローチでは、エンティティタイプに関する情報を使用し、衝突回避を改善し、より安全なナビゲーションを確保する。 ロボットに近づいたり、異なる物体と衝突したりすることを罰する新たな報酬関数を導入する。
  論文  参考訳（メタデータ） (2024-08-26T11:16:03Z)
• Bridging Active Exploration and Uncertainty-Aware Deployment Using Probabilistic Ensemble Neural Network Dynamics [11.946807588018595]
  本稿では,活発な探索と不確実性を考慮した展開を橋渡しするモデルベース強化学習フレームワークを提案する。 探索と展開の対立する2つのタスクは、最先端のサンプリングベースのMPCによって最適化されている。 自動運転車と車輪付きロボットの両方で実験を行い、探索と展開の両方に有望な結果を示します。
  論文  参考訳（メタデータ） (2023-05-20T17:20:12Z)
• Incremental procedural and sensorimotor learning in cognitive humanoid robots [52.77024349608834]
  本研究は,手順を段階的に学習する認知エージェントを提案する。 各サブステージで必要とされる認知機能と, エージェントが未解決の課題に, 新たな機能の追加がどう対処するかを示す。 結果は、このアプローチが複雑なタスクを段階的に解くことができることを示している。
  論文  参考訳（メタデータ） (2023-04-30T22:51:31Z)
• Safe reinforcement learning of dynamic high-dimensional robotic tasks: navigation, manipulation, interaction [31.553783147007177]
  強化学習では、損傷を起こさない環境を探索する上で、安全はより基本的なものである。 本稿では,各種ロボット作業の強化学習のための安全探索の新たな定式化について紹介する。 我々のアプローチは、幅広い種類のロボットプラットフォームに適用され、データから学んだ複雑な衝突制約の下でも安全を強制する。
  論文  参考訳（メタデータ） (2022-09-27T11:23:49Z)
• 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)
• Dual-Arm Adversarial Robot Learning [0.6091702876917281]
  ロボット学習のためのプラットフォームとしてデュアルアーム設定を提案する。 このセットアップの潜在的なメリットと、追求できる課題と研究の方向性について論じる。
  論文  参考訳（メタデータ） (2021-10-15T12:51:57Z)

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。