論文の概要: Visuomotor Robotic Pruning in Planar Orchards Using Hybrid Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2609.24906v1
• Date: Mon, 21 Sep 2026 17:09:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.019216
• Title: Visuomotor Robotic Pruning in Planar Orchards Using Hybrid Reinforcement Learning
• Title（参考訳）: ハイブリッド強化学習を用いた平面果樹園における視覚運動型ロボットプルーニング
• Abstract要約: 休眠木刈りは労働集約的であるが、現代の高生産性果樹園を維持するには不可欠である。 ロボットプルーニングのためのクローズドループビズモータコントローラを学習するためのエンドツーエンドパイプラインを提案する。 このコントローラは、シミュレーションと合成生成データを用いて完全に訓練され、ゼロショット方式で実際の果樹園に展開される。
• 参考スコア（独自算出の注目度）: 19.40719295018329
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dormant tree pruning is labor-intensive yet essential for maintaining modern high-productivity fruit orchards. In this work, we focus on pruning of modern planar tree training systems - V-Trellis apples and UFO cherries - where trunks and primary branches are trained into approximately planar walls. We introduce an end-to-end pipeline to learn a closed-loop visuomotor controller for robotic pruning. This controller is trained entirely using simulation and synthetically generated data and deployed in real orchards in a zero-shot manner. The pipeline comprises synthetic generation of planar orchard tree meshes, construction of a physics-based orchard simulator, automated collection of successful pruning trajectories via motion planning, and policy learning with a novel hybrid reinforcement-learning algorithm that combines offline demonstrations with online simulated rollouts. The controller uses optical-flow inputs from a wrist-mounted camera - avoiding the need for full 3D-reconstruction - and continuously guides the cutter through cluttered branch environments to a specified cutpoint with correct tool orientation. In exhaustive simulated task-space evaluations over 3,000 pruning points, the policy attains 49.9% success on V-Trellis apples and 46.0% on UFO cherries. We validate the learned controller across 38 physical trials - comprising 28 outdoor field trials in commercial and experimental orchards and 10 indoor laboratory tests - demonstrating zero-shot sim-to-real transfer. The learned policy also outperforms a classical RRT-Connect baseline on physical hardware in laboratory trials.
• Abstract（参考訳）: 休眠木刈りは労働集約的であるが、現代の高生産性果樹園を維持するには不可欠である。 本研究では, トランクと一次枝をほぼ平面壁として訓練する, 現代の平面木訓練システム - V-Trellis apples と UFO チェリー - の育成に焦点をあてる。 ロボットプルーニングのためのクローズドループビズモータコントローラを学習するためのエンドツーエンドパイプラインを提案する。 このコントローラは、シミュレーションと合成生成データを用いて完全に訓練され、ゼロショット方式で実際の果樹園に展開される。 パイプラインは、平面オーチャードツリーメッシュの合成生成、物理ベースのオーチャードシミュレータの構築、モーションプランニングによる成功したプルーニングトラジェクトリの自動収集、オフラインデモとオンラインシミュレートされたロールアウトを組み合わせた新しいハイブリッド強化学習アルゴリズムによるポリシー学習を含む。 コントローラーは、手首に取り付けられたカメラからの光フロー入力を使用し、完全な3D再構成を必要としない。 3000以上のプルーニングポイントをシミュレーションしたタスクスペースの評価では、このポリシーはV-Trellisのリンゴで49.9%、UFOチェリーで46.0%の成功を収めた。 商業用および実験用果樹園での28の野外試験と10の室内実験を含む38の物理実験において、学習したコントローラを検証した。 学習されたポリシーは、実験室での物理ハードウェアの古典的なRTT-Connectベースラインを上回ります。

関連論文リスト

• Robotic Strawberry Harvesting with Robust Vision and Deep Reinforcement Learning based Sim-to-Real Control [0.8466401378239364]
  本研究では,ロバストビジョンモジュール,シミュレーション学習型深部強化学習制御,ROSに基づく実ロボット実行を組み合わせたクローズドループロボットイチゴ収穫システムを提案する。 HRAttnEdge-YOLO26-segは,高分解能なP2ブランチ,セグメンテーションパスアテンション,エッジ教師ありプロトタイプ学習を組み込んだ改良型YOLO26セグアーキテクチャである。 制御のために、ターゲット条件付きPPOポリシーをアイザック研究所で訓練し、UR10eのスムーズな共同配置コマンドを生成する。
  論文  参考訳（メタデータ） (2026-05-22T17:21:06Z)
• Droneulator: A Portable UAV Simulator for Agricultural Workflows with RotorPy and Godot 4 [3.2898781698366713]
  Droneulatorは、マルチロータダイナミックスのためのRotorPyと、レンダリングとセンサー生成のためのGodot 4を組み合わせた、ポータブルなUAVシミュレータアーキテクチャである。 DroneulatorはPX4ベースのコントロールと軽量WebSocketコマンドパスの両方を公開し、ZenohベースのROS2互換パイプラインを通じて、同期されたビジュアルおよびステートストリームを公開する。
  論文  参考訳（メタデータ） (2026-05-22T08:58:29Z)
• Learning to Prune Branches in Modern Tree-Fruit Orchards [16.03450056587704]
  ロボットプルーニングのためのクローズドループビジュモータコントローラを提案する。 コントローラは、カッターを散らばったツリー環境を案内して所定のカットポイントに達する。 我々は,枝の幾何学的分布を捉える新しい果樹園シミュレーションを用いて,コントローラを訓練する。
  論文  参考訳（メタデータ） (2025-07-30T18:24:20Z)
• Find the Fruit: Zero-Shot Sim2Real RL for Occlusion-Aware Plant Manipulation [13.867375354795167]
  本稿では,開地における自律収穫のための強化学習フレームワークを提案する。 茎と葉を配置して標的果実を明らかにするためのシミュレーションで完全に学習される政策 複数の実生植物の実験では, 最大86.7%の果実の暴露に成功した。
  論文  参考訳（メタデータ） (2025-05-22T11:37:39Z)
• Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [57.278726604424556]
  そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。 提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。 ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
  論文  参考訳（メタデータ） (2024-09-12T11:50:06Z)
• Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
  本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。 まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。 このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
  論文  参考訳（メタデータ） (2024-06-21T13:48:37Z)
• 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)
• OctoPath: An OcTree Based Self-Supervised Learning Approach to Local Trajectory Planning for Mobile Robots [0.0]
  我々は,エンコーダ・デコーダ・ディープニューラルネットワークであるOctoPathを導入し,エゴ車両の最適軌道を予測するための自己教師型訓練を行った。 トレーニング中、OctoPathは、所定のトレーニングデータセット内の予測と手動で駆動するトラジェクトリ間のエラーを最小限にする。 我々は,室内と屋外の異なる運転シナリオにおけるOctoPathの予測を,ベースラインハイブリッドA-Starアルゴリズムに対してベンチマークしながら評価した。
  論文  参考訳（メタデータ） (2021-06-02T07:10:54Z)
• DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
  DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。 DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。 実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
  論文  参考訳（メタデータ） (2021-04-30T15:30:05Z)

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。