論文の概要: EIDA: Execution-Interface Dynamics Adaptation for Real-to-Sim-to-Real Robot Navigation

• arxiv url: http://arxiv.org/abs/2610.01219v1
• Date: Thu, 01 Oct 2026 07:24:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.964683
• Title: EIDA: Execution-Interface Dynamics Adaptation for Real-to-Sim-to-Real Robot Navigation
• Title（参考訳）: EIDA:実-実-実-実-実-実-実-ロボットナビゲーションのための実行-インタフェースダイナミクス適応
• Abstract要約: EIDA (Execution-Interface dynamics adaptation) は、詳細なアクチュエーターシミュレーションなしでナビゲーション転送を改善する。 物理のUnitree Go2では、EIDAはベースラインの20点中4点に対して、20点の静的ステージトライアルで衝突することなくゴールに達した。
• 参考スコア（独自算出の注目度）: 8.48837003344334
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Simulation-to-robot transfer can fail when velocity commands produce motion and feedback that differ from those modeled during policy training. We present execution-interface dynamics adaptation (EIDA), which fits these responses from target-platform execution data without reconstructing actuator dynamics. A model of body-frame pose increments updates simulator geometry, while a separate model predicts the velocity feedback observed by the policy; a short history of velocity feedback is included in the policy input. The fitted models are used within a lightweight GPU-parallel simulator. On the full Jackal and Go2 validation sets, the fitted models reduced position and yaw prediction errors relative to the simulator's predefined motion model. Across 100 benchmark navigation environments evaluated in a separate physics-based simulator, EIDA achieved the highest success rate and navigation score among the compared learned policies, both with and without global guidance. Feedback ablations further supported the need to match policy-facing velocity estimates. On a physical Unitree Go2, EIDA reached the goal without collision in all 20 static-scene trials, compared with 4 of 20 for the baseline. These results show that execution-interface adaptation can improve navigation transfer without detailed actuator simulation.
• Abstract（参考訳）: 速度コマンドがポリシートレーニング中にモデル化されたものと異なる動きやフィードバックを生成すると、シミュレーションからロボットへの転送は失敗する。 本研究では, アクチュエータの動的再構成を伴わずに, ターゲットプラットフォーム実行データからの応答に適合する実行-インタフェース動的適応(EIDA)を提案する。 ボディフレームのポーズのモデルがシミュレーターを更新し、別のモデルがポリシーによって観測された速度フィードバックを予測し、短い速度フィードバックの履歴がポリシー入力に含まれる。 搭載モデルは軽量GPU並列シミュレータで使用される。 ジャカルとGo2の完全な検証セットでは、装着されたモデルがシミュレータの予め定義された動作モデルに対して位置とヨーの予測誤差を減少させた。 物理ベースのシミュレータで評価された100以上のベンチマークナビゲーション環境において、EIDAは、グローバルガイダンスと非グローバルガイダンスの両方で、比較した学習ポリシーの中で、最高成功率とナビゲーションスコアを達成した。 フィードバックの短縮は、政策対応の速度推定に適合する必要性をさらに支持した。 物理のUnitree Go2では、EIDAはベースラインの20点中4点に対して、20点の静的ステージトライアルで衝突することなくゴールに達した。 これらの結果から, アクタの詳細なシミュレーションを行なわずに, ナビゲーションの伝達を改善することが可能であることが示唆された。

関連論文リスト

• Online Sim-to-Real Adaptation via Closed-Loop System Modeling [5.178900486147961]
  提案するOSRAM(Online Sim-to-Real Adaptation via Closed-Loop System Modeling)は,既存のコントローラに提供される参照コマンドに適応するフレームワークである。 その結果, 閉ループモデルにより, 未知の動的条件下での予測精度と追跡精度が向上することがわかった。
  論文  参考訳（メタデータ） (2026-09-24T00:54:55Z)
• WorldSimProbe: Diagnosing Simulator Faithfulness in Action-Conditioned World Models for Embodied Manipulation [85.15806404962193]
  行動条件付き世界モデル(ACWM)は、計画、ポリシー評価、データ生成のためのスケーラブルな予測シミュレータを具現化したAIを提供することを約束する。 物理シミュレータが期待する観測能力を用いてACWMを評価する。 WorldSimProbeは、制御のバリエーション、相互作用のグラウンディングにおける構造化された障害、ダイナミックスにまたがる、システマティックなアクション実現の劣化を明らかにする。
  論文  参考訳（メタデータ） (2026-08-10T08:48:06Z)
• IOI: Decoupling Kinematics and Physics for Interactive World Models [46.3330122411516]
  我々は,キネマティクスと学習物理力学を統合したハイブリッド対話型世界モデルIOIを提案する。 IOIは、運動軌跡を正確に計算するための明示的なキネマティックガイダンス、キネマティックスシーケンスを導入している。 RoboTwinベンチマークの実験は、キネマティックな忠実さ、アウト・オブ・ディストリビューション、およびポリシー評価を越えてIOIを検証する。
  論文  参考訳（メタデータ） (2026-06-22T13:09:34Z)
• ReactSim-Bench: Benchmarking Reactive Behavior World Model Simulation in Autonomous Driving [56.96697737229895]
  リアクティブ能力は、自律運転シミュレーションシステムのためのデータ駆動行動世界モデルシミュレータの重要な特性である。 本稿では,自律運転における行動世界モデルシミュレーションの反応性を評価するためのReactSim-Benchを紹介する。
  論文  参考訳（メタデータ） (2026-06-12T03:11:06Z)
• NAVSIM: Data-Driven Non-Reactive Autonomous Vehicle Simulation and Benchmarking [65.24988062003096]
  我々は,視覚に基づく運転ポリシーをベンチマークするフレームワークであるNAVSIMを提案する。 我々のシミュレーションは非反応性であり、評価された政策と環境は互いに影響を与えない。 NAVSIMはCVPR 2024で開催され、143チームが433のエントリーを提出し、いくつかの新たな洞察を得た。
  論文  参考訳（メタデータ） (2024-06-21T17:59:02Z)
• Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
  マルチエージェントインタラクションをキャプチャする実世界のモーションプランニングベンチマークであるnuPlanを提案する。 我々は、グラフ畳み込みニューラルネットワーク(GCNN)であるBehaviorNetを用いて、このようなユニークな振る舞いをモデル化することを学ぶ。 また、モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverについても紹介する。
  論文  参考訳（メタデータ） (2024-06-15T18:53:45Z)
• SIMPL: A Simple and Efficient Multi-agent Motion Prediction Baseline for Autonomous Driving [27.776472262857045]
  本稿では,自動運転車のための簡易かつ効率的な運動予測ベースライン(SIMPL)を提案する。 メッセージ転送を対称的に行う,コンパクトで効率的なグローバル機能融合モジュールを提案する。 強力なベースラインとして、SIMPLはArgoverse 1と2のモーション予測ベンチマークで高い競争性能を示す。
  論文  参考訳（メタデータ） (2024-02-04T15:07:49Z)

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。