論文の概要: Module Number Adaptive Visual Shape Control for Serial Modular Soft Robots

• arxiv url: http://arxiv.org/abs/2608.29547v1
• Date: Sun, 30 Aug 2026 04:33:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.994469
• Title: Module Number Adaptive Visual Shape Control for Serial Modular Soft Robots
• Title（参考訳）: シリアルモジュール型ソフトロボットのモジュール数適応型視覚形状制御
• Abstract要約: 本稿では,モジュール数適応型視覚形状制御法を提案する。 1〜5個のモジュールを持つロボットに対して、単一のモジュールアクチュエータ形状データのみに基づいて訓練されたコントローラを再利用する。 実験により、単一モジュール制御学習は、特定の制御データ収集の設定なしに、全体をスケーラブルに制御できることが示されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Image based shape control provides a simple means of controlling the whole body configuration of soft robots. However, existing data driven approaches are typically developed for fixed robot structures and require new control data when the number of modules changes. This paper presents a module number adaptive visual shape control method for serial modular soft pneumatic robots. A controller trained only on single module actuation shape data is reused for robots with one to five modules by decomposing whole body camera images into local module patches. A single common module segmenter localizes individual modules across all tested configurations, while the same local controller is applied to every extracted patch. Geometric data augmentation improves transferability to downstream modules, and a lightweight mask reconstruction network reconstructs a synthetically removed actuator mask channel. Experiments on physical robots demonstrate shape control across varying numbers of modules and under environmental changes and payload loading. The results show that single module control learning enables scalable whole body control without configuration specific control data collection.
• Abstract（参考訳）: 画像に基づく形状制御は、ソフトロボットの全身構成を簡易に制御する手段を提供する。 しかし、既存のデータ駆動アプローチは通常、固定されたロボット構造のために開発され、モジュール数が変化すると新しい制御データを必要とする。 本稿では,モジュール数適応型視覚形状制御法を提案する。 本体カメラ画像全体を局所的なモジュールパッチに分解することにより、1〜5個のモジュールを持つロボットに対して、単一のモジュールアクチュエータ形状データのみに基づいて訓練されたコントローラを再利用する。 単一の共通モジュールセグメンタは、テスト済みのすべての構成で個々のモジュールをローカライズするが、同じローカルコントローラは、抽出されたパッチ毎に適用される。 幾何学的データ拡張により下流モジュールへの転送性が向上し、軽量マスク再構成ネットワークは合成除去されたアクチュエータマスクチャネルを再構築する。 物理ロボットの実験では、様々なモジュールや環境変化下での形状制御とペイロードの積み込みが実証されている。 その結果、単一モジュール制御学習は、構成固有の制御データ収集を必要とせずに、全体をスケーラブルに制御できることがわかった。

関連論文リスト

• Controllable Text-to-Motion Generation via Modular Body-Part Phase Control [25.2003430574182]
  テキスト・トゥ・モーション(T2M)生成はアニメーションとインタラクティブなアバターの実用的なツールになりつつある。 構造化された局所的な編集を可能にするプラグイン・アンド・プレイ・フレームワークであるModular Body-Part Phase Controlを提案する。 拡散モデルと流れモデルの両方の実験により、我々の手法は運動の大きさ、速度、タイミングに対する予測可能かつきめ細かい制御を提供することを示した。
  論文  参考訳（メタデータ） (2026-03-20T09:37:16Z)
• Maestro: Orchestrating Robotics Modules with Vision-Language Models for Zero-Shot Generalist Robots [54.62646284378409]
  我々は、視覚言語モデル(VLM)に関するポリシーを構築し、認識、計画、制御モジュールのキュレートされたセットにカプセル化された特定のロボット機能によって、その汎用能力を増強する。 Maestroでは、VLMコーディングエージェントがこれらのモジュールを現在のタスクとシナリオのためのプログラムポリシーに動的に構成する。
  論文  参考訳（メタデータ） (2025-11-02T12:34:37Z)
• MeMo: Meaningful, Modular Controllers via Noise Injection [25.541496793132183]
  新たなロボットが同じパーツから構築された場合,モジュール型コントローラを再利用することで,その制御を迅速に学習できることが示される。 私たちはMeMoと呼ばれるフレームワークでこれを実現し、Meは(Me)有界で(Mo)有界なコントローラーを学習します。 我々は,ロボット形態変化の簡易化を目標として,移動環境と把握環境の枠組みをベンチマークした。
  論文  参考訳（メタデータ） (2024-05-24T18:39:20Z)
• Plug-and-Play Transformer Modules for Test-Time Adaptation [54.80435317208111]
  PLUTO: Plug-and-pLay modUlar Test-time Domain AdatiOn戦略を紹介する。 私たちは、それぞれ異なるソースドメインに特化した、大規模なモジュールセットを事前訓練します。 単一の推論コールで複数の最も関連性の高いソースドメインを利用する。
  論文  参考訳（メタデータ） (2024-01-06T00:24:50Z)
• ModuleFormer: Modularity Emerges from Mixture-of-Experts [60.6148988099284]
  本稿では,大規模言語モデルの効率性と柔軟性を向上させるために,新しいニューラルネットワークアーキテクチャであるModuleFormerを提案する。 以前のSMoEベースのモジュラー言語モデルとは異なり、ModuleFormerは未処理のデータからモジュラリティを誘導することができる。
  論文  参考訳（メタデータ） (2023-06-07T17:59:57Z)
• Modular Transformers: Compressing Transformers into Modularized Layers for Flexible Efficient Inference [83.01121484432801]
  本稿では,フレキシブルシーケンス・ツー・シーケンス・モデル圧縮のためのモジュール化エンコーダ・デコーダ・フレームワークであるModular Transformersを紹介する。 単一のトレーニングフェーズの後、Modular Transformerは1.1xから6xまでのフレキシブルな圧縮比を、相対的な相対的な性能低下の少ない状態で達成することができる。
  論文  参考訳（メタデータ） (2023-06-04T15:26:28Z)
• Modular Deep Learning [120.36599591042908]
  トランスファーラーニングは近年、機械学習の主要なパラダイムとなっている。 負の干渉を伴わずに複数のタスクを専門とするモデルを開発する方法はまだ不明である。 これらの課題に対する有望な解決策として、モジュール型ディープラーニングが登場した。
  論文  参考訳（メタデータ） (2023-02-22T18:11:25Z)
• Behavior Trees in Robot Control Systems [0.0]
  振舞い木の主な考え方は、モジュラリティ、階層、フィードバックを活用することである。 ロボットタスクは、しばしばサブタスクの階層に分解されるため、そのようなモジュールの階層は自然である。 フィードバック制御は、低レベル制御システムにおける不確実性と障害を扱うための基本的なツールである。
  論文  参考訳（メタデータ） (2022-03-24T14:16:15Z)
• Learning Modular Robot Control Policies [10.503109190599828]
  我々は,多種多様な設計を取り扱うモジュール型制御ポリシーを構築した。 モジュールが物理的に再設定されているため、ポリシーはキネマティック構造に合わせて自動的に再設定される。 このポリシーは、トレーニング中に見えない大きなデザインの集合に一般化できることが示される。
  論文  参考訳（メタデータ） (2021-05-20T21:54:37Z)
• One Policy to Control Them All: Shared Modular Policies for Agent-Agnostic Control [47.78262874364569]
  我々は,多種多様なエージェント形態制御を一般化できる単一のグローバルポリシーが存在するかどうかを考察する。 我々は,このグローバルポリシを,同種のモジュール型ニューラルネットワークの集合として表現することを提案する。 複数の平面エージェントに対して,単一のモジュラポリシでロコモーション動作を生成可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-09T17:59:35Z)

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。