論文の概要: From Target Selection to Digging: A Learning-Based Framework for Continuous Autonomous Excavation
- arxiv url: http://arxiv.org/abs/2609.29750v2
- Date: Sat, 26 Sep 2026 07:41:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 07:18:05.975526
- Title: From Target Selection to Digging: A Learning-Based Framework for Continuous Autonomous Excavation
- Title（参考訳）: ターゲット選択からDiggingへ - 継続的自律的発掘のための学習ベースのフレームワーク
- Abstract要約: 繰り返し掘削は杭の形状を再現し、自律的な掘削機が掘削目標に適応し、連続した掘削サイクルを横切る動きを調整する必要がある。
地形認識型目標選択と強化型および模倣型学習コントローラを統合した,連続的な自律的掘削のための学習ベースフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 20.435874483015635
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Repeated excavation continuously reshapes pile geometry, requiring an autonomous excavator to adapt its digging targets and coordinate motion across successive excavation cycles. We present a learning-based framework for continuous autonomous excavation that integrates terrain-aware target selection with reinforcement- and imitation-learning controllers. The framework separates target-conditioned motion from local digging: a shared task-conditioned RL policy controls waypoint-guided approach and loaded transport, while an IL policy learns vision-based digging and lifting from expert demonstrations. Digging targets are selected from LiDAR elevation maps and converted into bucket-tip waypoints for motion control. The control architecture coordinates the learned policies and deterministic unloading through a shared motion interface. The complete system is deployed on a scaled hydraulic excavator with multimodal sensing and closed-loop actuator control. Offline replay and physical experiments demonstrate more consistent target selection, shorter local motion time, and increased payload compared with the respective baselines. The learned digging policy achieves a mean payload of 6.52 kg per completed cycle, compared with 2.68 kg for Fixed Dig. Three five-scoop runs further demonstrate consecutive autonomous excavation under continuously changing pile geometry.
- Abstract（参考訳）: 繰り返し掘削は杭の形状を継続的に再現し、自律的な掘削機が掘削目標に適応し、連続的な掘削サイクルを横切る動きを調整する必要がある。
地形認識型目標選択と強化型および模倣型学習コントローラを統合した,連続的な自律的掘削のための学習ベースフレームワークを提案する。
共通タスク条件付きRLポリシーは、ウェイポイント誘導アプローチとロードされた輸送を制御し、一方、ILポリシーは、専門家によるデモンストレーションから視覚ベースの掘削と昇降を学習する。
DiggターゲットはLiDAR標高マップから選択され、モーションコントロールのためのバケットチップのウェイポイントに変換される。
制御アーキテクチャは、学習したポリシーを調整し、共有モーションインタフェースを介して決定論的アンロードを行う。
完全システムは、マルチモーダルセンシングとクローズドループアクチュエータ制御を備えたスケールド油圧掘削機に展開される。
オフラインのリプレイと物理実験により、目標選択の一貫性が向上し、局所的な移動時間が短縮され、各ベースラインと比較してペイロードが増大した。
学習された掘削ポリシーは、固定ディグの2.68kgと比較すると、完了サイクル当たりの平均ペイロードは6.52kgに達する。
さらに3つの5つのスクープは、連続的に変化する杭形状の下で連続的な自律的な掘削を実証する。
関連論文リスト
- Fetch My Beer: Synthetic-to-real Hierarchical Policy for Smooth Pick-and-place [54.561625475942584]
本研究では, 液体充填容器の安定輸送について検討し, ロボットが物体を目標場所へ移動させながら, スロッシングを抑え, こぼれを防止する方法を検討した。
このタスクは運動の滑らかさと軌道レベルの安定性に厳格な要件を課し、既存のシステムの明確な制限を明らかにする。
物理的に検証されたデータ生成と階層的拡散型コントローラを結合した合成から現実のフレームワークを提案する。
論文 参考訳（メタデータ） (2026-09-16T04:55:12Z) - Hydra: A Navigation World Action Model with Discrete Latent Planning and Continuous Flow-Matching Execution [51.519325778407016]
世界モデルは、ロボットが未来を想像することを可能にするが、リアルタイム制御にこの能力を活用することは、表現のミスアライメントによってボトルネックとなる。
我々は、このギャップを埋める個別のワールドアクションモデルであるHydraを紹介します。
Hydraは、目標指向の計画において最先端の世界モデルよりも優れており、主要なリアクティブ基盤ポリシーのクローズドループ実行能力にマッチまたは超越している。
論文 参考訳（メタデータ） (2026-08-29T01:58:19Z) - VertiAKD: Adaptive Off-Road Kinodynamics on Vertically Challenging Terrain [11.894870991511567]
VertiAKDは、様々な車両にまたがるオフロードキノダイナミックな知識の伝達と適応のための統一されたフレームワークである。
We demonstrate VertiAKD in the Verti-Bench simulator, built on the Chrono multi-physics engine, on on 5 physical configurations of the Verti-4-Wheeler platform。
論文 参考訳（メタデータ） (2026-08-02T02:55:08Z) - Pose-Parameterized Motion Planning and CBF-QP Self-Collision Filtering for a Long-Reach Drilling Boom [3.632189127068905]
ロングリーチ掘削ブームは、自己調整なしで連続的なポーズに到達しなければならない。
本研究では,ポーズパラメータ化計画とカプセル型制御バリア関数を組み合わせることにより,確立された手法を適用した。
提案手法は, ゼロIK故障を発生し, 複数方向の経路点を生成し, ミリレベル平均最終位置誤差を達成し, 報告しきい値以下のサンプルCBFマージンは記録しなかった。
論文 参考訳（メタデータ） (2026-07-21T08:41:49Z) - AutoPath: Learning Transferable Goal-Conditioned Stochastic Path Prior for Safe Navigation Without Human Demonstrations [103.61864552260316]
動的環境におけるリアルタイムナビゲーションは、限られた知覚下での衝突のない、動的に実現可能な動きを必要とする。
我々は,移動可能な目標整合経路の学習としてナビゲーションを定式化し,局所的な観測に基づいて,目標整合な局所経路上の再利用可能な分布をモデル化する。
我々は、幾何対応の極性行動多様体を用いて局所経路をパラメータ化し、安定かつ安全対応の計画のためのマルチゴール分散ロールアウトによるリスク感応性ユーティリティシェーピングを含む構造化された事前学習フレームワークを開発した。
論文 参考訳（メタデータ） (2026-07-13T16:00:41Z) - MAPLE: Latent Multi-Agent Play for End-to-End Autonomous Driving [62.43744546817599]
視覚言語-アクション(VLA)モデルは、エンドツーエンドのモーションプランナーとして有効であるが、クローズドループ設定で評価すると不安定である。
本稿では, VLAモデルの潜在空間における動的駆動シナリオの, リアクティブでマルチエージェントなロールアウトのための新しいフレームワークMAPLEを提案する。
MAPLEはBench2Driveで最先端の駆動性能を実現し、堅牢なE2E自動運転システムのためのスケーラブルでクローズループなマルチエージェントプレイを実演する。
論文 参考訳（メタデータ） (2026-05-13T23:35:14Z) - 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) - Learning Policies for Continuous Control via Transition Models [2.831332389089239]
ロボット制御では、腕のエンドエフェクターを目標位置または目標軌道に沿って移動させるには、正確な前方および逆モデルが必要である。
相互作用から遷移(前方)モデルを学習することで、償却されたポリシーの学習を促進することができることを示す。
論文 参考訳（メタデータ） (2022-09-16T16:23:48Z) - 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) - 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。