論文の概要: Diverse and Adaptable Arm Coordination for Octopus-Crawling via Diffusion-Based Uncertainty-Aware Optimization
- arxiv url: http://arxiv.org/abs/2609.21138v1
- Date: Thu, 17 Sep 2026 22:53:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-21 18:40:16.792183
- Title: Diverse and Adaptable Arm Coordination for Octopus-Crawling via Diffusion-Based Uncertainty-Aware Optimization
- Title（参考訳）: 拡散に基づく不確実性認識最適化によるオクトパスクローリングの多様性と適応的アームコーディネーション
- Abstract要約: 本研究では,シミュレートされた筋活動型CyberOctopusのための実演不要なクローリングコントローラを学習する拡散型不確実性認識最適化アルゴリズムを提案する。
この研究は、コンタクトリッチシミュレーションにおけるソフトマルチアームロボットへの拡散制御の最初の応用である。
- 参考スコア（独自算出の注目度）: 6.228917739464202
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Octopus crawling motivates soft robots that exploit redundancy, yet discovering and organizing diverse coordination modes for adaptation remains challenging. To address this, we introduce a Diffusion-based Uncertainty-aware Optimization (DUO) algorithm that learns demonstration-free crawling controllers for a simulated, muscle-actuated CyberOctopus. This work represents the first application of diffusion-based control to soft multi-arm robots in contact-rich simulations. By embedding a variety of locomotion behaviors within a shared control distribution, this approach enables the simulated octopus to navigate dynamic physical constraints, demonstrating that learned coordination diversity inherently facilitates robust adaptation. The main contributions include: (i) a symmetry-structured policy representation that folds radially equivalent controllers into a canonical directional sector, (ii) an online black-box optimization strategy, the DUO algorithm, that discovers and retains diverse coordination modes, and (iii) a control editing technique that adapts existing controllers to novel actuator constraints without retraining. These results show how learned coordination diversity makes motor abundance a practical resource for adaptation in soft multi-arm robots.
- Abstract（参考訳）: オクトプス・クローリングは冗長性を利用するソフトロボットを動機付けているが、適応のための多様な調整モードを発見し、整理することは依然として難しい。
そこで我々は,Diffusion-based Uncertainty-aware Optimization (DUO)アルゴリズムを導入する。
この研究は、コンタクトリッチシミュレーションにおけるソフトマルチアームロボットへの拡散制御の最初の応用である。
共有制御分布に様々な移動挙動を埋め込むことにより、シミュレーションされたタコが動的物理的制約をナビゲートし、学習された調整の多様性が本質的に堅牢な適応を促進することを示す。
主な貢献は以下の通りである。
一 放射同値な制御装置を正準方向セクターに折り畳む対称構造政策表現
(II)多様な調整モードを発見し維持するオンラインブラックボックス最適化戦略であるDUOアルゴリズム
三 既存の制御装置をリトレーニングすることなく、新しいアクチュエータ制約に適応させる制御編集技術。
これらの結果は、学習された調整の多様性が、柔らかいマルチアームロボットに適応するための実用的な資源となることを示す。
関連論文リスト
- IDEA: Insensitive to Dynamics Mismatch via Effect Alignment for Sim-to-Real Transfer in Multi-Agent Control [9.294981970003892]
本研究では,マルチエージェント制御のためのsim-to-real法を提案する。
提案手法は,ランダムな環境構造と閉ループ制御による個別の意味行動を組み合わせることで,政策学習をセマンティック・抽象化のレベルに引き上げる。
論文 参考訳（メタデータ） (2026-06-25T03:49:25Z) - 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) - Reinforcement learning in linear embedding space unlocks generalizable control across soft robot configurations [60.42735420750131]
タコや象のトランクのような軟体生物は、顕著な形態的適応性を示す。
近年、様々なソフトロボットが登場し、様々な素材、硬さ、特定のタスクに合わせた形態を特徴としている。
本稿では,多様なソフトロボット構成にまたがる迅速な適応を可能にする汎用制御システムを提案する。
論文 参考訳（メタデータ） (2026-06-06T11:09:46Z) - PCHC: Enabling Preference Conditioned Humanoid Control via Multi-Objective Reinforcement Learning [50.63196995993855]
多目的強化学習(MORL)を活用してPCHC(Preference-Conditioned Humanoid Control)を実現する新しいフレームワークを提案する。
当社のフレームワークは、単一の嗜好条件のポリシーを多種多様な行動を示すために有効である。
論文 参考訳（メタデータ） (2026-03-25T07:55:37Z) - ACLM: ADMM-Based Distributed Model Predictive Control for Collaborative Loco-Manipulation [9.708461585583791]
重荷のロコ操作による共同輸送は、脚のあるロボットにとって難しいが必須の能力である。
本研究は,ロコマニピュレーションのための分散モデル予測制御フレームワークであるマルチプライアの交互方向法を提案する。
論文 参考訳（メタデータ） (2026-03-07T08:06:51Z) - Multi-Modal Manipulation via Multi-Modal Policy Consensus [62.49978559936122]
本稿では,ロボット操作のための多様な感覚モダリティを統合するための新しいアプローチを提案する。
提案手法は,それぞれが単一の表現に特化している拡散モデルの集合にポリシーを分解する。
我々は、RLBenchにおけるシミュレーション操作タスクと、隠蔽対象のピック、手作業のスプーン再配向、パズル挿入といった実世界のタスクについて評価した。
論文 参考訳（メタデータ） (2025-09-27T19:43:04Z) - Training Diverse High-Dimensional Controllers by Scaling Covariance
Matrix Adaptation MAP-Annealing [12.90845054806193]
シミュレーションでさまざまなニューラルネットワークコントローラを事前トレーニングすることで、ロボットはロボットの移動タスクの損傷にオンラインで適応することが可能になった。
進化戦略(ES)に基づく品質多様性アルゴリズムであるCMA-MAEは、これらの制限を持たず、標準的なQDベンチマークで最先端のパフォーマンスを達成した。
我々は高次元にスケールする3つの新しいCMA-MAE変種を提案する。
論文 参考訳（メタデータ） (2022-10-06T01:03:01Z) - Meta-Adaptive Nonlinear Control: Theory and Algorithms [47.122874727499216]
オンラインメタ環境制御(OMAC)と呼ばれる適応非線形制御のためのオンラインマルチタスク学習手法を提案する。
我々は、様々な条件下でアプローチのインスタンス化を提供し、マルチタスク適応非線形制御のための最初の非漸近的なエンドツーエンド収束を保証する。
論文 参考訳（メタデータ） (2021-06-11T00:39:07Z) - Meta-Reinforcement Learning for Adaptive Motor Control in Changing Robot
Dynamics and Environments [3.5309638744466167]
この研究は、ロバストな移動のための異なる条件に制御ポリシーを適応させるメタラーニングアプローチを開発した。
提案手法は, インタラクションモデルを更新し, 推定された状態-作用軌道のアクションをサンプル化し, 最適なアクションを適用し, 報酬を最大化する。
論文 参考訳（メタデータ） (2021-01-19T12:57:12Z)
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。