論文の概要: Learning Air-Ground Motion Control with Temporal Mode Switching and Cross-Terrain Tracking

• arxiv url: http://arxiv.org/abs/2609.26564v1
• Date: Tue, 22 Sep 2026 15:16:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 01:05:39.721861
• Title: Learning Air-Ground Motion Control with Temporal Mode Switching and Cross-Terrain Tracking
• Title（参考訳）: 時間モード切替とクロス領域トラッキングによるエアグラウンド運動制御の学習
• Abstract要約: 本研究では,受動型TABVのための学習型空中移動制御フレームワークを提案する。 本研究は,様々な地形を横断する正確な地上追跡と限定的な認識の下で,信頼性の高い地上切替を示す。 これらの機能を統合することで、システムは101mの地上軌道を複数の自律モード遷移を通して追跡し、RMSEは0.08mである。
• 参考スコア（独自算出の注目度）: 21.686138996162367
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Passive-wheeled terrestrial-aerial bimodal vehicles (TABVs) combine aerial mobility with energy-efficient ground locomotion. However, reliable air-ground mode switching under limited onboard perception and robust ground trajectory tracking across diverse terrains remain challenging when targeting real-world applications. In this work, we propose a learning-based air-ground motion control framework for passive-wheeled TABVs: 1) a learned mode selector for autonomous air-ground motion mode switching. The selector uses historical single-point time-of-flight (ToF) measurements and robot states together with future reference information to determine the active locomotion mode. 2) a reinforcement learning control policy for trajectory tracking. The policy combines proprioceptive observations with future reference information to anticipate trajectory changes. For ground locomotion, multi-terrain training and dynamics randomization enable robust tracking across different terrains. Simulation and real-world experiments demonstrate reliable air-ground switching under limited perception and accurate ground tracking across diverse terrain conditions. The learned selector outperforms a rule-based mode selector in challenging transitions, while the ground controller achieves lower position RMSE than PID across all tested conditions and maintains decent tracking where NMPC fails. With these capabilities integrated, the system tracks a 101m air-ground trajectory through multiple autonomous mode transitions with a position RMSE of 0.08m.
• Abstract（参考訳）: パッシブホイール付き地上空両用バイモーダル車両(TABV)は、空中移動とエネルギー効率のよい地上移動を組み合わせたものである。 しかし,様々な地形を横断する強靭な地上軌跡追跡は,現実の用途をターゲットとして,信頼性の高い空地モード切替が依然として困難である。 本研究では,受動型TABVのための学習型空中移動制御フレームワークを提案する。 1)自律飛行場移動モード切替のための学習モードセレクタ。 セレクタは、過去の飛行時間(ToF)の測定と、将来の参照情報とともにロボットの状態を使用して、アクティブな移動モードを決定する。 2)軌道追跡のための強化学習制御政策 この方針は、先天的な観察と将来の参照情報を組み合わせて、軌跡の変化を予測している。 地上移動では、マルチテランのトレーニングと動的ランダム化により、異なる地形を横断するロバストな追跡が可能になる。 シミュレーションと実世界の実験は、限られた認識と様々な地形条件における正確な地上追跡の下で、信頼性の高い地上切替を実証している。 学習したセレクタは、挑戦的な遷移においてルールベースのモードセレクタよりも優れ、地上コントローラは、全ての試験条件でPIDよりも低い位置RMSEを達成し、NMPCが故障した箇所の適切な追跡を維持する。 これらの機能を統合することで、システムは101mの地上軌道を複数の自律モード遷移を通して追跡し、RMSEは0.08mである。

関連論文リスト

• MARS-Dragonfly: Agile and Robust Flight Control of Modular Aerial Robot Systems [21.471271822760276]
  モジュラー・エアリアル・ロボット・システム(MARS)は、再構成可能な連結構造を持つ複数のドローンユニットから構成される。 MARSは単純な準静的モデルと規則に基づくアロケーションに依存しており、不連続かつ非有界なモーターコマンドを生成する。 我々は、受動ドッキング、検出不要な受動ロック、磁気アシスト分離が可能な小型機械システムを開発した。
  論文  参考訳（メタデータ） (2026-04-07T06:43:08Z)
• 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)
• Open-World Drone Active Tracking with Goal-Centered Rewards [62.21394499788672]
  Drone Visual Active Trackingは、視覚的な観察に基づいてモーションシステムを制御することで、対象物を自律的に追跡することを目的としている。 DATは,世界初となるエア・ツー・グラウンド・トラッキング・ベンチマークである。 また,複雑なシナリオにおけるドローン追跡目標の性能向上を目的としたGC-VATを提案する。
  論文  参考訳（メタデータ） (2024-12-01T09:37:46Z)
• Reinforcement Learning for Versatile, Dynamic, and Robust Bipedal Locomotion Control [106.32794844077534]
  本稿では,二足歩行ロボットのための動的移動制御系を構築するために,深層強化学習を用いた研究について述べる。 本研究では、周期歩行やランニングから周期ジャンプや立位に至るまで、様々な動的二足歩行技術に使用できる汎用的な制御ソリューションを開発する。 この研究は、二足歩行ロボットの俊敏性の限界を、現実世界での広範な実験を通じて押し上げる。
  論文  参考訳（メタデータ） (2024-01-30T10:48:43Z)
• TLControl: Trajectory and Language Control for Human Motion Synthesis [68.09806223962323]
  本稿では,人間のリアルな動き合成のための新しい手法であるTLControlを提案する。 低レベルのTrajectoryと高レベルのLanguage semanticsコントロールが組み込まれている。 インタラクティブで高品質なアニメーション生成には実用的である。
  論文  参考訳（メタデータ） (2023-11-28T18:54:16Z)
• Inverted Landing in a Small Aerial Robot via Deep Reinforcement Learning for Triggering and Control of Rotational Maneuvers [11.29285364660789]
  高速で頑健な逆着陸は、特に機内でのセンシングと計算に完全に依存しながらも、空中ロボットにとって難しい偉業である。 これまでの研究では、一連の視覚的手がかりとキネマティックな動作の間に直接的な因果関係が特定され、小型の空中ロボットでこの困難なエアロバティックな操作を確実に実行することができた。 本研究では、まずDeep Reinforcement Learningと物理シミュレーションを用いて、頑健な逆着陸のための汎用的最適制御ポリシーを得る。
  論文  参考訳（メタデータ） (2022-09-22T14:38:10Z)
• Motion Planning and Control for Multi Vehicle Autonomous Racing at High Speeds [100.61456258283245]
  本稿では,自律走行のための多層移動計画と制御アーキテクチャを提案する。 提案手法はダララのAV-21レースカーに適用され、楕円形のレーストラックで25$m/s2$まで加速試験された。
  論文  参考訳（メタデータ） (2022-07-22T15:16:54Z)
• RLOC: Terrain-Aware Legged Locomotion using Reinforcement Learning and Optimal Control [6.669503016190925]
  四元計画と制御のためのモデルベースとデータ駆動の統一的アプローチを提案する。 センサ情報と所望のベース速度コマンドを、強化学習ポリシーを用いて足踏み計画にマッピングする。 我々は、複雑な四足歩行システムであるANYmal Bの枠組みを訓練し、再訓練を必要とせず、より大きく重いロボットであるANYmal Cへの移動性を示す。
  論文  参考訳（メタデータ） (2020-12-05T18:30:23Z)

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。