論文の概要: Prior Evolution and Task Alignment for Aerial Grasping

• arxiv url: http://arxiv.org/abs/2609.18153v1
• Date: Wed, 16 Sep 2026 05:33:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.657124
• Title: Prior Evolution and Task Alignment for Aerial Grasping
• Title（参考訳）: エアリアルグラスピングにおける先行進化とタスクアライメント
• Abstract要約: 航空捕獲は捕食性鳥類によって示される顕著な能力であり、高度に調整された飛行操作によって獲物を捕獲することができる。 本研究の目的は, コスト, 信頼性, 軌道, 把握性能の限界について検討することである。
• 参考スコア（独自算出の注目度）: 8.671231932668926
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Aerial grasping is a remarkable capability exhibited by predatory birds, allowing them to capture prey through highly coordinated maneuvers in flight. Inspired by this capability, researchers have developed various formulations to reproduce such maneuvers through trajectory optimization. However, two limitations remain in practice. First, the resulting optimization problem is highly nonconvex and sensitive to initialization, making high-quality solutions difficult to obtain under a limited computational budget. Second, prescribed numerical objectives are human-designed abstractions that describe successful grasping through a limited set of mathematically tractable quantities and may not fully capture what determines task success. We investigate how learning can address these limitations within an analytical planner. Accordingly, a trajectory prior is first learned from optimized motions and then evolved through a CEM-based process that evaluates sampled initializations with the deployed optimizer and retains favorable ones as new supervision. An Execution-Aware Critic learns from contact, lift, and completion outcomes to assess whether the optimized trajectories are likely to succeed in physical execution. Its frozen energy can further serve as a differentiable grasping cost, allowing execution data to directly shape trajectory generation. Simulation and real-world experiments demonstrate improved optimization reliability, trajectory consistency, and grasping performance.
• Abstract（参考訳）: 航空捕獲は捕食性鳥類によって示される顕著な能力であり、高度に調整された飛行操作によって獲物を捕獲することができる。 この能力にインスパイアされた研究者は、軌道最適化を通じてそのような操作を再現する様々な定式化を開発した。 しかし、実際には2つの制限が残っている。 第一に、結果の最適化問題は非常に非凸であり、初期化に敏感であり、限られた計算予算の下で高品質な解を得るのが困難である。 第二に、所定の数値的目的は人間によって設計された抽象概念であり、数学的に抽出可能な量の制限された集合を通してうまく把握し、何がタスクの成功を決定づけるかを完全に把握できない可能性がある。 分析プランナ内で学習がこれらの制限にどう対処できるかを検討する。 したがって、軌道先行は、まず最適化された動きから学習され、次にCEMベースのプロセスを通じて進化し、デプロイされたオプティマイザによるサンプル初期化を評価し、望ましいものを新しい監督として保持する。 Execution-Aware Criticは、接触、リフト、完了結果から学習し、最適化された軌道が物理的実行に成功するかどうかを評価する。 その凍結エネルギーは、さらに微分可能な把握コストとして機能し、実行データが軌道生成を直接形成することができる。 シミュレーションと実世界の実験は、最適化の信頼性の向上、軌道の整合性、性能の把握を実証している。

関連論文リスト

• Evolution of Optimization Methods: Algorithms, Scenarios, and Evaluations [98.44542103979735]
  勾配勾配降下法(SGD)とアダム(Adam)による1次勾配勾配降下法は、現代の訓練パイプラインの基礎となる。 大規模モデルトレーニング、厳格なプライバシ要件、分散学習パラダイムは、プライバシ保護とメモリ効率に関する従来のアプローチにおける重要な制限を明らかにする。 深層学習最適化アルゴリズムの進化軌道を振り返って分析し、様々なモデルアーキテクチャやトレーニングシナリオの主流を包括的に評価する。 我々は、重要な新興トレンドと基本設計のトレードオフを抽出し、将来の研究の有望な方向性を示唆する。
  論文  参考訳（メタデータ） (2026-04-14T17:01:36Z)
• Self-Correcting VLA: Online Action Refinement via Sparse World Imagination [55.982504915794514]
  本稿では, 自己補正VLA (SC-VLA) を提案する。 SC-VLAは最先端のパフォーマンスを達成し、最高タスクスループットを16%削減し、最高パフォーマンスのベースラインよりも9%高い成功率を得る。
  論文  参考訳（メタデータ） (2026-02-25T06:58:06Z)
• Learning-based Initialization of Trajectory Optimization for Path-following Problems of Redundant Manipulators [22.18634506601658]
  軌道最適化は、6次元の経路に従って冗長なマニピュレータの関節軌道を生成する効率的なツールである。 本稿では,短時間で高品質な初期軌道を生成する学習に基づく初期軌道生成手法を提案する。
  論文  参考訳（メタデータ） (2026-02-03T11:44:20Z)
• Optimizing Control-Friendly Trajectories with Self-Supervised Residual Learning [10.551597725130675]
  現実世界の物理学は、現代の複雑なロボットシステムに対して、一定の精度で解析的にのみモデル化できる。 本稿では、上記の課題に対処するために、自己教師付き残差学習と軌道最適化の枠組みを提案する。
  論文  参考訳（メタデータ） (2026-01-06T06:01:58Z)
• Towards Robust Spacecraft Trajectory Optimization via Transformers [17.073280827888226]
  我々は,非最適制御問題をリアルタイムに解くための自律生成モデルを開発した。 我々はARTの能力を拡張し、確率制約のある最適制御問題に対処する。 この作業は、宇宙船のような安全クリティカルな自律システムにAI駆動のソリューションを確実に展開するための最初のステップである。
  論文  参考訳（メタデータ） (2024-10-08T00:58:42Z)
• Learning Constrained Optimization with Deep Augmented Lagrangian Methods [54.22290715244502]
  機械学習(ML)モデルは、制約付き最適化ソルバをエミュレートするために訓練される。 本稿では,MLモデルを用いて2つの解推定を直接予測する手法を提案する。 これにより、双対目的が損失関数であるエンドツーエンドのトレーニングスキームと、双対上昇法をエミュレートした原始的実現可能性への解推定を可能にする。
  論文  参考訳（メタデータ） (2024-03-06T04:43:22Z)
• DiffSkill: Skill Abstraction from Differentiable Physics for Deformable Object Manipulations with Tools [96.38972082580294]
  DiffSkillは、変形可能なオブジェクト操作タスクを解決するために、スキル抽象化に微分可能な物理シミュレータを使用する新しいフレームワークである。 特に、勾配に基づくシミュレーターから個々のツールを用いて、まず短距離のスキルを得る。 次に、RGBD画像を入力として取り込む実演軌跡から、ニューラルネットワークの抽象体を学習する。
  論文  参考訳（メタデータ） (2022-03-31T17:59:38Z)
• Few-shot Quality-Diversity Optimization [50.337225556491774]
  品質多様性(QD)の最適化は、強化学習における知覚的最小値とスパース報酬を扱う上で効果的なツールであることが示されている。 本稿では,タスク分布の例から,パラメータ空間の最適化によって得られる経路の情報を利用して,未知の環境でQD手法を初期化する場合,数発の適応が可能であることを示す。 ロボット操作とナビゲーションベンチマークを用いて、疎密な報酬設定と密集した報酬設定の両方で実施された実験は、これらの環境でのQD最適化に必要な世代数を著しく削減することを示している。
  論文  参考訳（メタデータ） (2021-09-14T17:12:20Z)
• Time-Optimal Planning for Quadrotor Waypoint Flight [50.016821506107455]
  立方体の作動限界における時間-最適軌道の計画は未解決の問題である。 四重項のアクチュエータポテンシャルをフル活用する解を提案する。 我々は、世界最大規模のモーションキャプチャーシステムにおいて、実世界の飛行における我々の方法を検証する。
  論文  参考訳（メタデータ） (2021-08-10T09:26:43Z)

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。