論文の概要: Size Doesn't Matter: Material-State Reinforcement Learning for Excavator Transferable Soil Manipulation

• arxiv url: http://arxiv.org/abs/2609.12677v1
• Date: Fri, 11 Sep 2026 10:22:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.71491
• Title: Size Doesn't Matter: Material-State Reinforcement Learning for Excavator Transferable Soil Manipulation
• Title（参考訳）: サイズは重要ではない:掘削機移動式土壌マニピュレーションのための材料-状態強化学習
• Abstract要約: 地球移動作業は、変形可能な土壌を意図的に再配置する必要がある。 現在の手法はモデルに頼っていることが多いが、土壌力学を取り入れていない。 本稿では,GPU並列化材料ポイント法粒子シミュレーションにおける強化学習を用いて,この問題に対処する。 コントローラは形状やコンパクトさなどの材料状態に調整されており、工具の複数の接触面を使用し、シャベルの内側と外側の両方に材料を変位させることができる。
• 参考スコア（独自算出の注目度）: 5.531926831363104
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Earthmoving tasks such as excavation, backfilling, or embankment construction require deliberate repositioning of deformable soil. For these tasks, human operators use all shovel faces, while autonomous systems so far are limited to excavation and dumping. Current methods often rely on heuristic models but do not incorporate soil mechanics. We address this shortcoming by using Reinforcement Learning in a GPU-parallelized Material Point Method particle simulation. Our controllers are conditioned on material state such as shape and compactness, enabling skills that use multiple contact faces of the tool and displace material both inside and outside of the shovel. To use the same learned weights across machines, our policies operate in a normalized end-effector space and are deployed through a calibrated machine interface. We evaluate this calibrated transfer on an 11.5t hydraulic excavator and a 500g tabletop robot. We validate performance through autonomous construction of a 42m long, 2.1m high embankment in 45min, executing 201 individual policy strokes without failure, retry, or operator intervention. In a direct comparison, the autonomous controller matches an expert operator's progression speed and produces a higher, more consistent embankment. Additional qualitative backfilling and compaction experiments demonstrate the material-state awareness and calibrated transfer across machines.
• Abstract（参考訳）: 掘削、埋立処分、堤防建設などの地移動作業は、変形可能な土壌を意図的に再配置する必要がある。 これらの作業のために、人間のオペレーターはすべてのシャベルフェイスを使用し、これまでの自律システムは掘削と投棄に限られている。 現在の手法は、しばしばヒューリスティックなモデルに依存するが、土壌力学は含まない。 本稿では,GPU並列化材料ポイント法粒子シミュレーションにおける強化学習を用いて,この問題に対処する。 コントローラは形状やコンパクトさなどの材料状態に調整されており、工具の複数の接触面を使用し、シャベルの内側と外側の両方に材料を変位させることができる。 同じ学習重量をマシン間で使用するために、当社のポリシーは正規化されたエンドエフェクタ空間で動作し、校正されたマシンインターフェースを介してデプロイされる。 本研究では,11.5t油圧掘削機と500gの卓上ロボットを用いたキャリブレーション移動の評価を行った。 我々は,42m,2.1mの堤防を45分で自律的に構築し,障害や再試行,操作者の介入なしに201回の個別の政策ストロークを実行することで,性能を検証した。 直接比較すると、自律制御器は専門家の進行速度と一致し、より高い、より一貫したエンバンクメントを生成する。 その他の定性的バックフィルとコンパクト化の実験は、機械間の物質状態の認識と校正された移動を実証している。

関連論文リスト

• High Precision Hydraulic Excavator Control for Heavy-Duty Grading [5.861717192898012]
  高精度重デューティグレーディングは、伝統的に熟練したオペレーターが手動で行うアースワークにおける一般的なステップである。 異なる油圧アーキテクチャは、演算子入力と土壌相互作用力に異なる反応をするので、一般化可能なコントローラは困難である。 本稿では,負荷検知機や負流制御機上でのエキスパート演算速度で高精度なグレーディングを実現する自律制御器を提案する。
  論文  参考訳（メタデータ） (2026-05-10T10:32:07Z)
• Long-Reach Robotic Manipulation for Assembly and Outfitting of Lunar Structures [0.040143983844723334]
  展開可能な複合ブームを取り入れた小型長手マニピュレータを提案する。 実験の結果、平均終点精度の誤差は15mm未満であり、ブーム長は1.8mである。 本研究は,月装用の可能性を示すために,ケーブル・ルーティング・タスクによるアプローチを実証する。
  論文  参考訳（メタデータ） (2026-03-31T03:49:47Z)
• TransCurriculum: Multi-Dimensional Curriculum Learning for Fast & Stable Locomotion [50.54752207285298]
  TransCurriculumは、アジャイル四足歩行のためのトランスフォーマーベースの多次元カリキュラム学習アプローチである。 シミュレーションでは,Unitree Go1ロボットに対するアプローチを検証し,Go1ハードウェア上でゼロショットでデプロイする。
  論文  参考訳（メタデータ） (2026-03-14T23:44:42Z)
• Accelerating Robotic Reinforcement Learning with Agent Guidance [17.75786047468276]
  強化学習(RL)は、自律ロボットが試行錯誤を通じて汎用的な操作スキルを習得するための強力なパラダイムを提供する。 近年のHuman-in-the-Loop(HIL)手法は,人間の修正によってトレーニングを加速するが,この手法はスケーラビリティの障壁に直面している。 エージェント誘導政策探索(AGPS)は,人間の監督者をマルチモーダルエージェントに置き換えることで,トレーニングパイプラインを自動化するフレームワークである。
  論文  参考訳（メタデータ） (2026-02-12T14:09:32Z)
• Maintaining the Level of a Payload carried by Multi-Robot System on Irregular Surface [0.41292255339309664]
  システムはペイロードの向きを継続的に監視し、各ロボットに必要なピストンの高さを計算し、ペイロードの所望の向きを維持する。 我々のモデリングは地形のタイプを仮定しないので、未知の、不均一な地形や傾斜に対してシステムは機能する。 様々な地形と複雑な地形のシミュレーション環境において,提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2025-12-17T23:16:51Z)
• Gait-Adaptive Perceptive Humanoid Locomotion with Real-Time Under-Base Terrain Reconstruction [86.53248703859718]
  本研究では,地形認識,歩行制御,全身制御を一つの強化学習ポリシーにマージする知覚的移動フレームワークを提案する。 31-DoF、1.65mのヒューマノイドロボットによる実験は、シミュレーションと実世界の両方で堅牢な移動を実証している。
  論文  参考訳（メタデータ） (2025-12-08T11:42:41Z)
• SONIC: Supersizing Motion Tracking for Natural Humanoid Whole-Body Control [85.91101551600978]
  モデルキャパシティ,データ,計算のスケールアップにより,自然かつ堅牢な体の動きを生成できる汎用的なヒューマノイドコントローラが得られることを示す。 我々は、ネットワークサイズ、データセットボリューム、計算の3つの軸に沿ってスケーリングすることで、モーショントラッキングのための基礎モデルを構築します。 本研究では,(1)動作追跡を下流タスク実行にブリッジし,自然かつインタラクティブな制御を可能にするリアルタイムユニバーサルキネマティックプランナ,(2)様々な動作入力インタフェースをサポートする統一トークン空間の2つのメカニズムにより,モデルの実用性を示す。
  論文  参考訳（メタデータ） (2025-11-11T04:37:40Z)
• ExACT: An End-to-End Autonomous Excavator System Using Action Chunking With Transformers [18.093876455977036]
  本稿では,エンド・ツー・エンドの自律探査システムであるExACTを紹介する。 掘削弁を直接制御するために、生のLiDAR、カメラデータ、関節位置を処理する。 私たちの知る限りでは、ExACTはエンドツーエンドの自律探査システムを構築するための最初の例です。
  論文  参考訳（メタデータ） (2024-05-09T15:48:39Z)
• DiSECt: A Differentiable Simulator for Parameter Inference and Control in Robotic Cutting [71.50844437057555]
  軟質材料を切断するための最初の微分可能シミュレータであるDiSECtについて述べる。 シミュレータは、符号付き距離場に基づく連続接触モデルにより有限要素法を増強する。 このシミュレータは, 最先端の商用解法を用いて, 結果の力やフィールドに適合するようにキャリブレーションできることを示す。
  論文  参考訳（メタデータ） (2022-03-19T07:27:19Z)
• OSCAR: Data-Driven Operational Space Control for Adaptive and Robust Robot Manipulation [50.59541802645156]
  オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。 本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。 本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2021-10-02T01:21:38Z)
• ReLMoGen: Leveraging Motion Generation in Reinforcement Learning for Mobile Manipulation [99.2543521972137]
  ReLMoGenは、サブゴールを予測するための学習されたポリシーと、これらのサブゴールに到達するために必要な動作を計画し実行するためのモーションジェネレータを組み合わせたフレームワークである。 本手法は,フォトリアリスティック・シミュレーション環境における7つのロボットタスクの多種多様なセットをベンチマークする。 ReLMoGenは、テスト時に異なるモーションジェネレータ間で顕著な転送可能性を示し、実際のロボットに転送する大きな可能性を示している。
  論文  参考訳（メタデータ） (2020-08-18T08:05:15Z)

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。