論文の概要: UWB Meets Crazyflow: Simulating Degraded Feedback at Scale for Aerial Robotics

• arxiv url: http://arxiv.org/abs/2610.08225v1
• Date: Tue, 06 Oct 2026 12:13:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:29.972862
• Title: UWB Meets Crazyflow: Simulating Degraded Feedback at Scale for Aerial Robotics
• Title（参考訳）: UWBがCrazyflowを発表:空中ロボティクスのためのスケールの劣化したフィードバックをシミュレート
• Abstract要約: JAX 上に構築された正確な差別化可能なシミュレータである Crazyflow を紹介します。 Crazyflowは物理と制御を単一の微分可能なグラフに統合し、モデリング精度を犠牲にすることなく、アクセラレーションされたハードウェア上で大規模な並列化を可能にする。
• 参考スコア（独自算出の注目度）: 8.563893272897879
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we introduce Crazyflow, an accurate, differentiable simulator built on JAX. By leveraging jit compilation via XLA, Crazyflow unifies physics and control into a single differentiable computation graph, enabling massive parallelization on accelerated hardware without sacrificing modeling accuracy. This architecture achieves order-of-magnitude speedups over existing baselines, capable of training deployable reinforcement learning agents in seconds. To highlight its highly modular design, we demonstrate how easily Crazyflow can be extended by integrating a complete, high-fidelity Ultra-Wideband (UWB) and Inertial Measurement Unit (IMU) simulation pipeline coupled with a full-state Extended Kalman Filter (EKF). This capability allows for massive parallel controller evaluation under realistic, degraded state feedback with minimal impact on GPU throughput. By combining speed, accuracy, and extensibility, Crazyflow serves as a foundational tool for the next generation of aerial robotics research.
• Abstract（参考訳）: 本稿では、JAX 上に構築された正確な差別化可能なシミュレータである Crazyflow を紹介します。 XLAによるジットコンパイルを活用することで、Crazyflowは物理と制御を単一の微分可能な計算グラフに統合し、モデリング精度を犠牲にすることなく、アクセラレーションされたハードウェア上で大規模な並列化を可能にする。 このアーキテクチャは、既存のベースライン上でのオーダー・オブ・マグニチュード・スピードアップを実現し、デプロイ可能な強化学習エージェントを数秒でトレーニングすることができる。 高モジュラー設計を強調するために,完全かつ高忠実なウルトラワイドバンド (UWB) と,フルステート拡張カルマンフィルタ (EKF) を併用した慣性計測ユニット (IMU) シミュレーションパイプラインを統合することで,クレイジーフローをいかに容易に拡張できるかを示す。 この機能により、GPUスループットへの影響を最小限に抑えながら、現実的で劣化した状態フィードバックの下で、大規模な並列コントローラ評価が可能になる。 速度、精度、拡張性を組み合わせることで、Crazyflowは次世代の航空ロボティクス研究の基礎となるツールとなる。

関連論文リスト

• FALCON-S: Fixed-wing ground-effect Aerodynamics Simulator and Flight Control Learning Suite [15.798029970927535]
  このシミュレータは、TorchとNVIDIA Warpを介して、CPUとGPUバックエンドの両方をサポートする。 統合されたインターフェースは、高度調整や軌道追跡といったタスクにまたがる様々なコントローラに対応している。 X-Plane と JSBSim によるクロスバリデーションもサポートされており、エンジニアリング統合と視覚的忠実性を促進する。
  論文  参考訳（メタデータ） (2026-09-05T12:00:02Z)
• Crazyflow: An Accurate, GPU-Accelerated, Differentiable Drone Simulator in JAX [8.563893272897879]
  Crazyflowは、空中ロボットアルゴリズム開発の限界を押し上げるために設計されたシミュレータである。 1台のドローンで1桁以上のスピードを実現し、4000台のドローンで何千もの群れをシミュレートすることができる。 Crazyflowは精度、速度、差別化性を同時に推し進めることで、合成データ生成のためのオープンソースのリソースとして機能する。
  論文  参考訳（メタデータ） (2026-05-31T22:38:46Z)
• Hybrid Neural-MPM for Interactive Fluid Simulations in Real-Time [57.30651532625017]
  本稿では,数値シミュレーション,神経物理,生成制御を統合した新しいハイブリッド手法を提案する。 本システムでは, 多様な2D/3Dシナリオ, 材料タイプ, 障害物相互作用における堅牢な性能を示す。 受け入れ次第、モデルとデータの両方をリリースすることを約束します。
  論文  参考訳（メタデータ） (2025-05-25T01:27:18Z)
• FLEX: A Backbone for Diffusion-Based Modeling of Spatio-temporal Physical Systems [51.15230303652732]
  FLEX (F Low Expert) は、時間物理系の生成モデリングのためのバックボーンアーキテクチャである。 拡散モデルにおける速度場の分散を低減し、トレーニングの安定化に役立つ。 少数の特徴を2つの逆拡散ステップとして用いて、超解像および予測タスクの正確な予測を行う。
  論文  参考訳（メタデータ） (2025-05-23T00:07:59Z)
• PICT -- A Differentiable, GPU-Accelerated Multi-Block PISO Solver for Simulation-Coupled Learning Tasks in Fluid Dynamics [62.93137406343609]
  我々はPyTorchで符号化された可変圧単純化解器であるPICTをGPU(Graphics-Processing-unit)をサポートした流体シミュレータとして提案する。 まず,様々なベンチマークにおいて,フォワードシミュレーションと導出した勾配の精度を検証した。 2次元, 3次元の複雑な乱流モデルの学習には, 解法によって得られる勾配が有効であることを示す。
  論文  参考訳（メタデータ） (2025-05-22T17:55:10Z)
• Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
  本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。 まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。 このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
  論文  参考訳（メタデータ） (2024-06-21T13:48:37Z)
• Learning to Fly in Seconds [7.259696592534715]
  カリキュラム学習と高度に最適化されたシミュレータが,サンプルの複雑さを増し,学習時間の短縮につながることを示す。 我々のフレームワークは、コンシューマ級ラップトップで18秒のトレーニングをした後、直接制御するためのSimulation-to-Real(Sim2Real)転送を可能にする。
  論文  参考訳（メタデータ） (2023-11-22T01:06:45Z)

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。