論文の概要: Model Predictive Control of Tensegrity Robots via Contact-Aware Graph Neural Dynamics Model
- arxiv url: http://arxiv.org/abs/2609.08958v1
- Date: Tue, 08 Sep 2026 16:14:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-11 15:11:33.91293
- Title: Model Predictive Control of Tensegrity Robots via Contact-Aware Graph Neural Dynamics Model
- Title（参考訳）: 接触認識型グラフニューラルダイナミクスモデルによる引張ロボットのモデル予測制御
- Abstract要約: 本研究では,学習グラフニューラルネットワーク(GNN)ダイナミックスモデルにより駆動される3バー張力ロボットのためのモデル予測経路積分(MPPI)コントローラを提案する。
MuJoCoでは、壁の障害物、傾斜線、狭い廊下、低クリアランス構造、複合3D障害物コースを含む5つのナビゲーションタスクで実験が行われている。
その結果, 複雑な接触環境下では, 学習力学とサンプリングベースモデル予測制御が組み合わさって, 強靭な引張ナビゲーションを可能にすることがわかった。
- 参考スコア（独自算出の注目度）: 7.6062899503507815
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Tensegrity robots offer lightweight, compliant mobility over challenging terrain but remain difficult to model and control due to complex contact-rich dynamics and partial observability. This work presents a model predictive path integral (MPPI) controller for a three-bar tensegrity robot driven by a learned graph neural network (GNN) dynamics model. This work first extends prior GNN-based models with a differentiable contact detection module. The extension allows the dynamics model to reason over non-horizontal planar terrains, obstacles, as well as self-collisions. Then, the learned dynamics model and the MPPI controller operate in a closed data-collection loop, iteratively improving model accuracy and control performance. This work further introduces a hybrid MPPI strategy that combines MPPI with turning motion primitives to improve maneuverability. Experiments are performed in MuJoCo across five navigation tasks, which include, wall obstacles, inclines, narrow corridors, low-clearance structures, and a composite 3D obstacle course. The experiments demonstrate that the hybrid MPPI controller operating over the learned GNN dynamics model improves predictive accuracy over a flat-ground baseline model and achieves superior navigation performance compared to $A^*$-based re-planning and MPPI-only variants. Results show that the contact-aware learned dynamics combined with the sampling-based model predictive control enable robust tensegrity navigation in complex, contact-rich environments.
- Abstract（参考訳）: テンセグリティロボットは、挑戦的な地形にまたがる軽量でコンプライアンスのモビリティを提供するが、複雑な接触に富んだダイナミクスと部分的な観測可能性のために、モデル化と制御が難しいままである。
本研究では,学習グラフニューラルネットワーク(GNN)ダイナミックスモデルにより駆動される3バー張力ロボットのためのモデル予測経路積分(MPPI)コントローラを提案する。
この研究はまず、異なる接触検出モジュールでGNNベースのモデルを拡張した。
この拡張により、力学モデルは非水平平面地形、障害物、および自己衝突を推論することができる。
そして、学習されたダイナミクスモデルとMPPIコントローラは、閉じたデータ収集ループで動作し、モデルの精度と制御性能を反復的に向上する。
さらに,MPPIと回転運動プリミティブを組み合わせて操作性を向上させるハイブリッドMPPI戦略を導入する。
MuJoCoでは、壁の障害物、傾斜線、狭い廊下、低クリアランス構造、複合3D障害物コースを含む5つのナビゲーションタスクで実験が行われている。
実験により,学習したGNNダイナミックスモデル上で動作するハイブリッドMPPIコントローラは,フラットグラウンドベースラインモデルよりも予測精度を向上し,$A^*$ベースのリプランやMPPIのみの変種に比べて優れたナビゲーション性能を実現することを示した。
その結果, 複雑な接触環境下では, 学習力学とサンプリングベースモデル予測制御が組み合わさって, 強靭な引張ナビゲーションを可能にすることがわかった。
関連論文リスト
- SkyJEPA: Learning Long-Horizon World Models for Zero-Shot Sim-to-Real Control of Quadrotors [48.60897189520386]
本稿では,実時間四重項制御のためのJEPAスタイルモデルを提案する。
我々は、潜伏動力学モデルと、凍結した潜伏者を解釈可能な状態にマッピングする、物理学に着想を得た新しいプロバーを組み合わせる。
高価で安全性の低い実世界のデータ収集への依存を低減するため,自動データセット生成のための構造化パイプラインを構築した。
論文 参考訳（メタデータ） (2026-06-22T15:00:59Z) - Learning Context-Aware Neural ODE Dynamics for Adaptive Robotic Control [55.01272784312405]
本稿では,ニューラル常微分方程式に基づく文脈認識力学モデルを提案する。
Sphero BOLTロボットとFanucマニピュレータを実世界の実験で使用した。
論文 参考訳（メタデータ） (2026-06-13T20:55:46Z) - Data-Driven Control of a Magnetically Actuated Fish-Like Robot [2.5782420501870296]
磁力で動く魚のようなロボットは、小型化と機敏さのために水中探査に有望なソリューションを提供する。
本稿では、解析モデルに頼ることなく、これらの複雑さに対処するデータ駆動制御フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-05T04:08:08Z) - DyMoDreamer: World Modeling with Dynamic Modulation [52.27044216359359]
深層強化学習(DRL)における重要なボトルネックはサンプル非効率である。
動的変調機構を組み込んだ新しいアルゴリズムDyMoDreamerを導入し,動的特徴抽出の改善と時間情報の充実を図る。
実験によると、DyMoDreamer は Atari 100$k ベンチマークに新しい最先端のスコアをセットし、平均156.6$% の人間正規化スコアを設定できる。
論文 参考訳（メタデータ） (2025-09-29T13:54:42Z) - 3D Multi-Object Tracking with Semi-Supervised GRU-Kalman Filter [6.13623925528906]
3D Multi-Object Tracking (MOT)は、自律運転やロボットセンシングのようなインテリジェントなシステムに不可欠である。
本稿では,学習可能なカルマンフィルタを移動モジュールに導入するGRUベースのMOT法を提案する。
このアプローチは、データ駆動学習を通じてオブジェクトの動き特性を学習することができ、手動モデル設計やモデルエラーを回避することができる。
論文 参考訳（メタデータ） (2024-11-13T08:34:07Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z) - End-to-End Learning of Hybrid Inverse Dynamics Models for Precise and
Compliant Impedance Control [16.88250694156719]
剛体力学モデルの物理的に一貫した慣性パラメータを同定できる新しいハイブリッドモデルの定式化を提案する。
7自由度マニピュレータ上での最先端の逆動力学モデルに対する我々のアプローチを比較した。
論文 参考訳（メタデータ） (2022-05-27T07:39:28Z) - Real-time Neural-MPC: Deep Learning Model Predictive Control for
Quadrotors and Agile Robotic Platforms [59.03426963238452]
モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。
ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
論文 参考訳（メタデータ） (2022-03-15T09:38:15Z) - Bayesian optimization of distributed neurodynamical controller models
for spatial navigation [1.9249287163937971]
我々はニューロシュワームコントローラを導入し、エージェントベースの相互作用を神経ネットワークの相互作用に類似してモデル化する。
この複雑さは、従来のSwarmモデルの研究に一般的に使用される安定性、制御可能性、性能の線形解析を妨げる。
ベイズ最適化に基づく自律型マルチエージェントシステムの動的コントローラモデルをチューニングするためのフレームワークを提案する。
論文 参考訳（メタデータ） (2021-10-31T21:43:06Z) - KNODE-MPC: A Knowledge-based Data-driven Predictive Control Framework
for Aerial Robots [5.897728689802829]
我々は、知識に基づくニューラル常微分方程式(KNODE)というディープラーニングツールを用いて、第一原理から得られたモデルを拡張する。
得られたハイブリッドモデルは、名目上の第一原理モデルと、シミュレーションまたは実世界の実験データから学習したニューラルネットワークの両方を含む。
閉ループ性能を改善するため、ハイブリッドモデルはKNODE-MPCとして知られる新しいMPCフレームワークに統合される。
論文 参考訳（メタデータ） (2021-09-10T12:09:18Z) - GEM: Group Enhanced Model for Learning Dynamical Control Systems [78.56159072162103]
サンプルベースの学習が可能な効果的なダイナミクスモデルを構築します。
リー代数ベクトル空間上のダイナミクスの学習は、直接状態遷移モデルを学ぶよりも効果的であることを示す。
この研究は、ダイナミクスの学習とリー群の性質の関連性を明らかにし、新たな研究の方向への扉を開く。
論文 参考訳（メタデータ） (2021-04-07T01:08:18Z)
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。