論文の概要: RAYA: Learning Where and When to Intervene for Robot Recovery
- arxiv url: http://arxiv.org/abs/2609.21690v1
- Date: Fri, 18 Sep 2026 12:25:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-21 18:40:17.081324
- Title: RAYA: Learning Where and When to Intervene for Robot Recovery
- Title（参考訳）: RAYA:ロボットの回復に必要な場所と場所を学習する
- Abstract要約: 本稿では,学習した有限水平回復可能性マージンを最適制御器内に配置する学習分析フレームワークであるRAYAを提案する。
コントローラ1台あたり7200回のシミュレーションでは、RAYAは生存率を改善すると同時に、学習したコンポーネントをゼロショットで未確認の軌道、乱れ、植物シフト、摩擦レイアウトに転送する。
- 参考スコア（独自算出の注目度）: 10.047972475434204
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A robot can predict failure and still be unable to prevent it. By the time a safety mechanism reacts, the nominal plan may already have spent the control authority that recovery requires, and fixed task priorities may block whatever response remains. Our key insight is that both aspects are decided inside the controller. Recoverability must inform actions while they are chosen rather than veto them afterward, and task objectives must be adapted as recoverability shrinks. Building on this, we present RAYA, a hybrid learned-analytic framework that places a learned finite-horizon recoverability margin inside an optimal controller with hard constraints and pairs it with a bounded learned scheduler that shifts task weights to facilitate recovery. Across 7,200 simulation episodes per controller spanning quadrotor and autonomous-vehicle benchmarks, RAYA not only improves survival rates, but also transfers the learned components zero-shot to unseen trajectories, disturbances, plant shifts, and friction layouts. We developed an embedded realization of RAYA and deployed it on-board a 35g Crazyflie quadrotor. Across 40 combined hardware flights under wind with either aerodynamic mismatch or an unmodeled 40% motor-command loss, each of three baselines fails in all trials, while RAYA completes 10/10 six-cycle missions. Project Website: https://raya-control.github.io/.
- Abstract（参考訳）: ロボットは失敗を予測でき、それを防ぐことはできない。
安全メカニズムが反応するまでに、名目上の計画はリカバリに必要なコントロール権限を既に使用していたかもしれないし、固定されたタスク優先順位は、残っていた応答をブロックする可能性がある。
私たちの重要な洞察は、両方の側面がコントローラ内で決定されるということです。
回復性は、後に拒否されるのではなく、選択された時に行動を伝える必要があり、タスクの目的は、回復可能性の縮小に従って適応されなければならない。
これに基づいて、学習した有限水平回復可能性マージンを制約付き最適制御器内に配置し、タスク重みをシフトして回復を容易にする有界学習スケジューラと組み合わせるハイブリッド学習分析フレームワークであるRAYAを提案する。
四輪車と自動運転車のベンチマークにまたがるコントローラ1台当たりのシミュレーションエピソードは7,200回以上あり、RAYAは生存率を向上するだけでなく、学習したコンポーネントをゼロショットで未知の軌道、乱れ、植物シフト、摩擦レイアウトに転送する。
我々はRAYAの組込み実現を開発し,35gのCrazyflieクオータ上に展開した。
風下の40回の複合ハードウェア飛行と空力ミスマッチ、または40%のモーター・コマンド損失、各3つのベースラインが全ての試験で失敗し、RAYAは10/10の6サイクルのミッションを完了した。
Project Website: https://raya-control.github.io/.com
関連論文リスト
- AirSplan: Risk-Aware Motion Planning for Quadrotors in Cluttered 3D Gaussian Splats [11.816895732223882]
クアドロレータは、農業、インフラ検査、メンテナンスなどのアプリケーションにますます多くデプロイされている。
それぞれのアプリケーションでは、ロボットは衝突のない状態で複雑なシーン形状をナビゲートする必要がある。
本稿では,これらの相補的課題に対処するシステムを提案する。
論文 参考訳（メタデータ） (2026-09-18T02:14:07Z) - SPIKE: An Adaptive Dual Controller Framework for Cost-Efficient Long-Horizon Game Agents [74.84742205422825]
コスト効率のよい長軸ゲーム制御のための適応型デュアルコントローラフレームワークSPIKEを提案する。
Strategic Controllerは低周波のグローバル計画、障害解析、リカバリを実行し、Reactive Controllerは厳格なトークン予算の下で高速なローカル実行を処理する。
Event Triggerは、視覚的な変化、タスクの進捗、繰り返しアクション、障害信号を監視して、制御がいつ反応性を保つか、あるいは戦略的な推論にエスカレートするかを判断する。
この設計は、複数のリアクティブステップにまたがる戦略的な提案を再利用し、計画が不安定になると局所的なオーバライドをサポートし、余分な議論が役に立つ瞬間に高価な推論を予約する。
論文 参考訳（メタデータ） (2026-05-18T16:43:32Z) - Learning Reactive Dexterous Grasping via Hierarchical Task-Space RL Planning and Joint-Space QP Control [50.28263951510334]
本稿では,リアクティブなデクスタリーグルーピングのためのハイブリッド階層型制御フレームワークを提案する。
提案手法は,低レベル共同実行から高レベル空間意図を明示的に分離する。
我々は厳密なシミュレーションと現実のパイプラインを通して提案したフレームワークを広範囲に検証する。
論文 参考訳（メタデータ） (2026-05-05T04:49:38Z) - Reinforcement Learning Enabled Adaptive Multi-Task Control for Bipedal Soccer Robots [1.6824051304328205]
本稿では,適応型マルチタスク制御を実現するためのモジュール型強化学習フレームワークを提案する。
ボールとキックネットワーク(BSKN)と転倒回復ネットワーク(FRN)とを明確に切り替えた姿勢駆動型状態機械を導入する。
論文 参考訳（メタデータ） (2026-04-21T05:27:43Z) - Mosaic: An Extensible Framework for Composing Rule-Based and Learned Motion Planners [5.399177691034965]
学習プランナーは強い適応性を示すが、透明性の低下と時折の安全違反に悩まされる。
我々は、調停グラフを通じて両方のパラダイムを統合する構造化決定のためのフレームワークであるMosaicを紹介する。
実験的評価において、MosaicはVal14のクローズドループベンチマークで95.48 CLS-NRと93.98 CLS-Rを達成した。
論文 参考訳（メタデータ） (2026-04-15T13:23:47Z) - UEREBot: Learning Safe Quadrupedal Locomotion under Unstructured Environments and High-Speed Dynamic Obstacles [16.149422197272937]
UEREBotは階層的なフレームワークで、スロープランニングと即時回帰回避を分離する。
我々はIsaac LabのシミュレーションでUEREBotを評価し,それを車載認識機能を備えたUnitree Go2上にデプロイした。
論文 参考訳（メタデータ） (2026-02-07T05:09:48Z) - Walk the PLANC: Physics-Guided RL for Agile Humanoid Locomotion on Constrained Footholds [20.44610499489492]
二足歩行ロボットは、制約された足場に移動する際にバランス、タイミング、接触決定を調整する必要がある。
本稿では,低次ステッピングプランナが動的に一貫した運動目標を供給できるロコモーションフレームワークを提案する。
この構造化されたステップ計画とデータ駆動型適応の組み合わせは、ヒューマノイドロボット上で正確で、アジャイルで、ハードウェアで検証されたステップストーンの移動を生み出す。
論文 参考訳（メタデータ） (2026-01-09T19:56:42Z) - 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) - 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) - REMAC: Self-Reflective and Self-Evolving Multi-Agent Collaboration for Long-Horizon Robot Manipulation [57.628771707989166]
本稿では,ReMACと呼ばれる適応型マルチエージェント計画フレームワークを提案する。
ReMACには2つの重要なモジュールが組み込まれており、ループ内で事前条件と後条件チェックを実行し、進捗と計画の洗練を評価する。
論文 参考訳（メタデータ） (2025-03-28T03:51:40Z) - 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。