論文の概要: All You Need Is Low Fidelity: Zero-Shot Sim-to-Real of Learned Robotic Fish Control

• arxiv url: http://arxiv.org/abs/2609.36993v1
• Date: Tue, 29 Sep 2026 08:23:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.316754
• Title: All You Need Is Low Fidelity: Zero-Shot Sim-to-Real of Learned Robotic Fish Control
• Title（参考訳）: ロボットで魚を操る「Zero-Shot Sim-to-Real」
• Abstract要約: そこで本研究では,非定常な準定常流体モデルにおいて,無起床と付加質量履歴を伴わないモデルを用いて,無チューニングでハードウェアに転送する閉ループ制御系を学習する。 私たちのプラットフォームは柔らかくシングルモーターで腱駆動の魚です。
• 参考スコア（独自算出の注目度）: 5.936889873821321
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Complex tasks for underwater robots remain limited by the capabilities of their controllers. Learning a better one for a soft, underactuated robotic fish trades simulator cost against fidelity. We show that an intentionally low-fidelity simulator is enough: a stateless, quasi-steady fluid model with no wake and no added-mass history suffices to learn a \emph{general}, closed-loop controller that transfers to hardware without tuning. Our platform is a soft, single-motor, tendon-driven fish whose policy observes only what the hardware can measure. A staged pipeline grounds the simulator in two independent identifications, fixing the tail dynamics and a stateless fluid model; the policy then acts through a band-limited rhythmic trajectory generator rather than commanding the tail directly. Deployed unchanged in an outdoor pool, a single policy performs closed-loop target reaching, disturbance rejection, and out-of-distribution target acquisition and tracking. The transfer rests on the constraint rather than the fidelity: the generator cannot leave the band over which the fluid was identified. This raises the question of how much of the physics can reside in the controller rather than in the simulator.
• Abstract（参考訳）: 水中ロボットの複雑な作業は、コントローラーの能力によって制限されている。 柔らかく不調なロボット魚にとって、より良いものを学ぶことは、不確実性に対するシミュレーターのコストを下げる。 状態のない準定常流体モデルで、ウェイクがなく、付加質量履歴も無く、チューニングなしでハードウェアに転送する閉ループコントローラを学習するのに十分であることを示す。 私たちのプラットフォームは柔らかくシングルモーターで腱駆動の魚です。 ステージ化されたパイプラインは、シミュレータを2つの独立した識別子にグルーピングし、テールダイナミクスとステートレス流体モデルを修正する。 屋外プールに配置せずに、単一のポリシーがクローズドループ目標到達、妨害拒絶、アウト・オブ・ディストリビューション目標獲得と追跡を行う。 遷移は、忠実さよりも制約にかかっており、ジェネレータは流体が特定されたバンドを離れることはできない。 このことは、物理のどれ程がシミュレーターではなくコントローラに収まるのかという疑問を提起する。

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)
• DemoBridge: A Simulation-in-the-Loop Toolkit for Single-View Human Demonstration Retargeting [49.70827726228219]
  このツールキットは、人間の手による実演のシングルビューRGBステレオ記録を、物理で検証可能なロボットアーム軌道に変換する。 DemoBridgeの中核は、衝突を意識した単一のプランナーである。 物理シミュレーターはループ内で動作し、生成した各フェーズを検証し、障害時にバックトラックするので、与えられたように再生できないデモは破棄されるのではなく、再計画される。
  論文  参考訳（メタデータ） (2026-07-10T15:31:04Z)
• Actuator Reality Shaping for Zero-Shot Sim-to-Real Robot Learning [0.5277024349608834]
  ロボット学習におけるシモン・トゥ・リアル・トランスファーは、ポリシートレーニング中に仮定される理想的なアクチュエータ・ダイナミクスと、物理モータの非線形でハードウェア依存的な動作との相違によって制限されることが多い。 アクチュエータ・リアリティー・シェーピング(Actuator Reality Shaping)という別のパラダイムを導入する。 本研究では,外負荷下での単関節高径サーボと7-DOFロボットアームの到達作業に対するアプローチを検証する。
  論文  参考訳（メタデータ） (2026-07-02T14:12:41Z)
• Sim-to-Real Transfer for Muscle-Actuated Robots via Generalized Actuator Networks [53.12548325396181]
  柔らかい筋肉のアクティベーションと組み合わせたテンドンドライブは、より速く、より安全なロボットを可能にする。 この複雑なアクチュエータのニューラルネットワークモデルを学習するsim-to-realパイプラインを提案する。 我々は,完全にシミュレーションで訓練された,正確なゴール獲得とダイナミック・ボール・イン・カップ・ポリシーの展開に成功した。
  論文  参考訳（メタデータ） (2026-04-10T16:52:54Z)
• 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)
• Learning Quadruped Locomotion Using Differentiable Simulation [31.80380408663424]
  微分可能シミュレーションは、高速収束と安定した訓練を約束する。 本研究はこれらの課題を克服するための新しい微分可能シミュレーションフレームワークを提案する。 我々のフレームワークは並列化なしで数分で四足歩行を学習できる。
  論文  参考訳（メタデータ） (2024-03-21T22:18:59Z)
• Adapting Rapid Motor Adaptation for Bipedal Robots [73.5914982741483]
  移動制御の急速な適応の最近の進歩を活用し、二足歩行ロボットで作業できるように拡張する。 A-RMAはモデルフリーRLを用いて微調整することで不完全外部推定器の基本方針を適応する。 シミュレーションにおいて,A-RMAはRLベースのベースラインコントローラやモデルベースコントローラよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-30T17:59:09Z)
• Zero-Shot Uncertainty-Aware Deployment of Simulation Trained Policies on Real-World Robots [17.710172337571617]
  深層強化学習(RL)エージェントは、トレーニング環境と実行環境のミスマッチにより、現実世界にデプロイされた時にエラーを起こす傾向がある。 本稿では,RLポリシーと従来型の手作りコントローラの強みを組み合わせた,新しい不確実性対応デプロイメント戦略を提案する。 実世界の2つの連続制御タスクにおいて、BCFはスタンドアロンのポリシーとコントローラの両方に優れる有望な結果を示す。
  論文  参考訳（メタデータ） (2021-12-10T02:13:01Z)
• 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。