論文の概要: Learning to Exploit Passive Dynamics for Energy-Efficient Target Hopping of a Spring-Legged Quadcopter

• arxiv url: http://arxiv.org/abs/2609.15447v1
• Date: Mon, 14 Sep 2026 12:14:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.318083
• Title: Learning to Exploit Passive Dynamics for Energy-Efficient Target Hopping of a Spring-Legged Quadcopter
• Title（参考訳）: スプリングレスクアッドコプターのエネルギー効率の高い目標ホッピングのためのパッシブダイナミクスの爆発学習
• Abstract要約: 明示的なホッピング状態マシンや低レベルの姿勢PIDを使わずに4つのモーターを制御できるポリシーを提案する。 その報酬は、質量正規化された垂直エネルギー追跡のためのエネルギ・マニフォールド・シェイピングと、効率・シェイピングによる頂点状態アンカーを組み合わせたものである。 代表的なハードウェアでは、PPOベースの制御スタックにより、平均で測定された電力を30.7%削減した。
• 参考スコア（独自算出の注目度）: 6.592942321170304
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Combining aerial thrust with spring-loaded hopping makes monopedal quadcopters promising for locomotion over complex terrain, but heuristic proportional-integral-derivative (PID) tuning limits coordination between active thrust and passive contact dynamics. We present a direct estimated-state-to-motor Proximal Policy Optimization (PPO) policy that commands four motors without an explicit hopping state machine or low-level attitude PID. Its reward combines Energy-Manifold Shaping for mass-normalized vertical-energy tracking and apex-state anchoring with Efficiency Shaping, which uses a history-aware power estimator to penalize general power use, impose an additional airborne-power cost, and penalize airborne near-stationarity. In representative hardware runs, the PPO-based control stack reduced cycle-averaged measured electrical power by 30.7% and mean total normalized thrust by 49.8% relative to the tuned PID-based control stack, while retaining repeatable commanded-height hopping and more concentrated landings. These observations are consistent with improved use of passive dynamics and reduced measured electrical demand.
• Abstract（参考訳）: 空中推力とバネ装填ホッピングを組み合わせることで、単足のクアッドコプターは複雑な地形上での移動を約束するが、ヒューリスティック比例積分微分(PID)調整はアクティブ推力と受動接触ダイナミクスの調整を制限する。 本研究では,4つのモータを明示的なホッピング状態マシンや低レベルの姿勢PIDを使わずに制御するPPOポリシーを提案する。 エナジー・マニフォールド・シェイピング(Energy-Manifold Shaping)は、質量正規化された垂直エネルギー追跡のためのエネルギー・マニフォールド・シェーピング(英語版)と、効率・シェーピング(英語版)による頂点状態アンカー(英語版)を組み合わせたもので、これは、履歴を認識した電力推定器を用いて、一般的な電力使用をペナル化し、追加の空力コストを課し、空中のほぼ静止度を罰するものである。 代表的なハードウェアでは、PPOベースの制御スタックはサイクル平均出力を30.7%減らし、調整されたPIDベースの制御スタックと比較して総正規化推力を49.8%減らした。 これらの観測は、受動動力学の改善と測定された電気需要の低減と一致している。

関連論文リスト

• Dynamics-Informed Reinforcement Learning for Agile and Energy-Efficient Locomotion of a Monopedal Hopping Quadcopter [6.592942321170304]
  強化学習は有望だがエネルギー非効率な「逆ハック」の傾向 本研究では,単足ホッピングクワッドコプターのためのDynamics-Informed RLフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-09-14T11:32:27Z)
• Physics-Aware End-to-End Deep Reinforcement Learning for Quadcopter Control with Actuator Dynamics [0.0]
  無人航空機(UAV)は、不安定な動特性のために自律制御に固有の課題を提示する。 本稿では,低レベルの身体入力に直接作用する物理認識・エンドツーエンドの深部強化学習(DRL)手法について検討する。 DDPG, TD3, PPO, SACの4つのDRLアルゴリズムを, (S1) 推力のみのホバーと (S2) ピッチトルクと翻訳目標の2段階で評価した。
  論文  参考訳（メタデータ） (2026-07-28T17:05:47Z)
• Strouhal-Aware Model Predictive Control for Efficient Multi-Fin Flapping Locomotion [3.643400431800639]
  我々は自律型水中車両のためのストローハル対応モデル予測制御(MPC)を開発した。 コントローラーは各フィンを最適なストローハル回廊内に保持し、コマンドフォースを正確に追跡する。 提案手法は, 到達不可能な逆モデルである0.4m/sの速度も許容する。
  論文  参考訳（メタデータ） (2026-07-03T11:30:53Z)
• Identification of a Physics-Based Electrical Power Consumption Model for the Unitree G1 Humanoid Arm [41.90412270641482]
  本稿では,UnitreeG1ヒューマノイドロボットの左腕の電力消費に関する物理モデルを提案する。 提案した定式化は、アクチュエータ損失項とベースライントルク補正を組み合わせることで、重力補償負荷の変化を捉える。 シングルジョイントとアコーディネートアームの動作を複数の速度レベルでカバーする897トラジェクトリで、同定されたモデルは、1.07 (W)のRMSEで$R2 = 0.933$に達する。
  論文  参考訳（メタデータ） (2026-06-14T16:45:07Z)
• Hierarchical LLM-Driven Control for HAPS-Assisted UAV Networks: Joint Optimization of Flight and Connectivity [33.68706070829591]
  INTN(Integrated terrestrial and non-terrestrial network)で動作するマルチUAVシステムについて検討する。 衝突回避,効率的な交通流,そして動的かつ部分的に観測可能な条件下での信頼性の高い通信を確保するために,UAVが自身の動きに適応しなければならない3次元空路シナリオを考察する。 我々は,大規模言語モデル(LLM)による階層型マルチレート制御フレームワークを提案する。世界レベルでは,HAPS上のLLMベースのコントローラが,ロードバランシングとハンドオーバ決定のための長期計画を実行する。 ローカルレベルでは、各UAVは遅い時間スケールを統合するハイブリッドコントローラを使用する。
  論文  参考訳（メタデータ） (2026-05-12T04:27:14Z)
• Neuromorphic Reinforcement Learning for Quadruped Locomotion Control on Uneven Terrain [7.828170373014957]
  ローカルな学習は、グローバルなバックプロパゲーショングラフを、ローカルなニューラルステートによって駆動される更新に置き換えることができる。 本研究は,不均一な四足歩行を実現するための平衡プロパゲーション(EP)に基づく近似ポリシ最適化(PPO)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-10T15:16:07Z)
• Predictive Control with Indirect Adaptive Laws for Payload Transportation by Quadrupedal Robots [36.62645789321095]
  本稿では,四足歩行ロボットによるロバストペイロード輸送のための新しい階層的計画と制御フレームワークを開発する。 間接アダプティブ法則は、異なるペイロードの下での縮小順序(テンポレート)移動モデルの未知のパラメータを推定する。 ロボットは、荒れた地形で重量の73%のダイナミックペイロードをうまく管理する。
  論文  参考訳（メタデータ） (2026-03-09T18:43:31Z)
• Tilt-Ropter: A Novel Hybrid Aerial and Terrestrial Vehicle with Tilt Rotors and Passive Wheels [13.687917750845303]
  航空・地球ハイブリッド車(HATV)Tilt-Ropterについて紹介する。 ティルト・ロプターの完全作動式設計は、離間力とトルク制御を可能にする。 その結果,地中移動時の消費電力は92.8%減少した。
  論文  参考訳（メタデータ） (2026-02-02T06:15:33Z)
• Alpamayo-R1: Bridging Reasoning and Action Prediction for Generalizable Autonomous Driving in the Long Tail [85.47497935739936]
  Alpamayo-R1 (AR1) は、因果推論の連鎖と軌道計画を統合する視覚言語モデルである。 また,AR1は,軌道のみのベースラインに比べて,難問の計画精度が12%向上することを示した。 今後のアップデートで、AR1モデルとCoCのサブセットをリリースする予定です。
  論文  参考訳（メタデータ） (2025-10-30T01:25:34Z)
• PGTT: Phase-Guided Terrain Traversal for Perceptive Legged Locomotion [41.99844472131922]
  PGTT ( Phase-Guided Terrain Traversal) は、報酬形成を通じて歩行構造を純粋に強制する認識型ディープRLアプローチである。 MuJoCo(MJX)で、カリキュラムやドメインランダム化を伴う手続き的に生成された階段のような地形で訓練されたPGTTは、プッシュ障害の下で最も成功している。
  論文  参考訳（メタデータ） (2025-10-21T07:00:18Z)
• VAE-Loco: Versatile Quadruped Locomotion by Learning a Disentangled Gait Representation [78.92147339883137]
  本研究では,特定の歩行を構成する主要姿勢位相を捕捉する潜在空間を学習することにより,制御器のロバスト性を高めることが重要であることを示す。 本研究では,ドライブ信号マップの特定の特性が,歩幅,歩幅,立位などの歩行パラメータに直接関係していることを示す。 生成モデルを使用することで、障害の検出と緩和が容易になり、汎用的で堅牢な計画フレームワークを提供する。
  論文  参考訳（メタデータ） (2022-05-02T19:49:53Z)

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。