論文の概要: RUL-Aware RRT*: Degradation-Balanced Motion Planning for Robotic Manipulators

• arxiv url: http://arxiv.org/abs/2610.02469v1
• Date: Thu, 01 Oct 2026 20:47:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.08338
• Title: RUL-Aware RRT*: Degradation-Balanced Motion Planning for Robotic Manipulators
• Title（参考訳）: RUL-Aware RRT*:ロボットマニピュレータの劣化バランス動作計画
• Abstract要約: 本研究では,RUL 対応 RRT* について紹介する。RUL 対応 RRT* は,継続した生活情報を計画プロセスに組み込むモーションプランニング手法である。 その結果, RUL対応RT*は劣化不均衡を効果的に抑制し, ボトルネックの出現を遅らせ, ロボットシステムの長期信頼性を向上させることができた。
• 参考スコア（独自算出の注目度）: 3.8646769325312538
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robotic manipulators operating over long durations often experience uneven joint degradation, which causes the weakest actuator to fail prematurely, leads to unplanned downtime, and results in significant operational losses. Traditional motion-planning algorithms do not account for joint health conditions and therefore tend to exacerbate this imbalance during extended operation. To address this challenge, this study introduces the RUL-aware RRT*, a motion-planning method that incorporates joint remaining useful life information into the planning process and adaptively adjusts joint usage in response to evolving health conditions. The method is evaluated across three representative scenarios, namely the Full Health Scenario (FHS), the Heterogeneous Degradation Scenario (HDS), and the Local Degradation Scenario (LDS). The results show that the RUL-aware RRT* effectively suppresses degradation imbalance, delays the emergence of bottleneck failures, and improves the long-term reliability of the robotic system during extended operation. These findings demonstrate that integrating health feedback into motion planning provides a practical and robust pathway for enhancing the durability and operational resilience of manipulators subject to continuous wear.
• Abstract（参考訳）: 長時間作動するロボットマニピュレータは、しばしば不均一な関節の劣化を経験し、最も弱いアクチュエータが早期に故障し、計画外のダウンタイムが発生し、運用上の大きな損失をもたらす。 従来の運動計画アルゴリズムでは、関節の健康状態は考慮されていないため、拡張操作中にこの不均衡が悪化する傾向がある。 この課題に対処するために、RUL-aware RRT*は、継続した生活情報を計画プロセスに組み込んだ動き計画法であり、進化する健康状況に応じて関節の使用を適応的に調整する。 この方法は、フルヘルスシナリオ(FHS)、ヘテロジニアス・デグラデーションシナリオ(HDS)、ローカル・デグラデーションシナリオ(LDS)の3つの代表的なシナリオで評価される。 その結果, RUL対応RT*は劣化不均衡を効果的に抑制し, ボトルネックの出現を遅らせ, ロボットシステムの長期信頼性を向上させることができた。 これらの結果から, 運動計画に健康フィードバックを組み込むことは, 連続摩耗を受けるマニピュレータの耐久性と操作性を高めるための実用的かつ堅牢な経路を提供することが示された。

関連論文リスト

• Trajectory Divergence Horizon Decision for Reliable Dual-Arm Surgical Subtask Manipulation [12.14656738439713]
  Vision-Language-Action(VLA)モデルは、視覚知覚、言語接地、アクション生成を統合する統一されたフレームワークを提供する。 既存のVLAポリシーは固定長のオープンループアクションシーケンスに依存しており、シーン条件の変更は外科手術におけるエラーの蓄積や潜在的なリスクにつながる可能性がある。 ステップワイズ動作の信頼性を推定するテストタイム機構であるトラジェクティブディバージェンス水平決定(TDHD)を提案する。
  論文  参考訳（メタデータ） (2026-08-10T05:04:02Z)
• SurgVista: Long-Horizon Surgical World Modeling with Plausible Instrument-Tissue Dynamics [49.771521708359955]
  SurgVistaは、空間的相互作用の不整合と時間的忠実性の崩壊を緩和する外科的世界モデルである。 それは、視覚的品質、時間的一貫性、相互作用の忠実性にまたがる最先端の手法を一貫して上回ります。
  論文  参考訳（メタデータ） (2026-06-18T07:47:28Z)
• Residual Reinforcement Learning for Robot Teleoperation under Stochastic Delays [1.8630868148375317]
  遠隔操作における通信遅延は、制御安定性と制御性能の低下を損なう信号の不連続をもたらす。 本稿では,Long Short-Term Memory (LSTM) を用いた状態推定器と,遅延に耐性のある残差RLポリシーを併用したハイブリッド制御フレームワークである遅延耐性RLを提案する。
  論文  参考訳（メタデータ） (2026-05-14T23:45:59Z)
• ARTIS: Agentic Risk-Aware Test-Time Scaling via Iterative Simulation [72.78362530982109]
  ARTIS(Agenic Risk-Aware Test-Time Scaling via Iterative Simulation)は、コミットメントから探索を分離するフレームワークである。 LLMをベースとした簡易シミュレータは, 希少かつ高インパクトな障害モードの捕捉に苦慮していることを示す。 本稿では,障害発生行動の忠実度を強調するリスク認識ツールシミュレータを提案する。
  論文  参考訳（メタデータ） (2026-02-02T06:33:22Z)
• Deep Reinforcement Learning Optimization for Uncertain Nonlinear Systems via Event-Triggered Robust Adaptive Dynamic Programming [0.3848364262836075]
  本研究では,Reinforcement Learning(RL)駆動のコントローラと外乱回避型拡張状態オブザーバ(ESO)を結合した統合制御アーキテクチャを提案する。 ESOは、システム状態とラップされた乱をリアルタイムで推定するために利用され、効果的な乱れ補償の基礎となる。
  論文  参考訳（メタデータ） (2025-12-05T22:52:22Z)
• CDP: Towards Robust Autoregressive Visuomotor Policy Learning via Causal Diffusion [35.77529453723351]
  拡散政策(DP)は、ロボットが行動拡散を通じて専門家のデモンストレーションを模倣することで複雑な行動を学ぶことを可能にする。 本稿では, 過去の行動系列を条件付け, 行動予測を強化するトランスフォーマーに基づく新しい拡散モデルであるCausal Diffusion Policy (CDP)を提案する。
  論文  参考訳（メタデータ） (2025-06-17T17:59:12Z)
• Simultaneous Multi-Robot Motion Planning with Projected Diffusion Models [57.45019514036948]
  MRMP拡散(MRMP Diffusion, SMD)は, 制約付き最適化を拡散サンプリングプロセスに統合し, 衝突のない, キネマティックに実現可能な軌道を生成する新しい手法である。 本稿では, ロボット密度, 障害物の複雑度, 動作制約の異なるシナリオ間の軌道計画アルゴリズムを評価するための総合的MRMPベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-02-05T20:51:28Z)
• Growing Q-Networks: Solving Continuous Control Tasks with Adaptive Control Resolution [51.83951489847344]
  ロボット工学の応用において、スムーズな制御信号はシステム摩耗とエネルギー効率を減らすために一般的に好まれる。 本研究では,離散的な動作空間を粗い状態から細かい制御分解能まで拡大することにより,この性能ギャップを埋めることを目的とする。 我々の研究は、値分解とアダプティブ・コントロール・リゾリューションが組み合わさることで、単純な批判のみのアルゴリズムが得られ、連続制御タスクにおいて驚くほど高い性能が得られることを示唆している。
  論文  参考訳（メタデータ） (2024-04-05T17:58:37Z)
• Deep Reinforcement Learning Empowered Activity-Aware Dynamic Health Monitoring Systems [69.41229290253605]
  既存のモニタリングアプローチは、医療機器が複数の健康指標を同時に追跡するという前提で設計されている。 これは、その範囲内で関連するすべての健康値を報告し、過剰なリソース使用と外部データの収集をもたらす可能性があることを意味します。 最適なモニタリング性能とコスト効率のバランスをとるための動的アクティビティ・アウェアヘルスモニタリング戦略(DActAHM)を提案する。
  論文  参考訳（メタデータ） (2024-01-19T16:26:35Z)

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。