論文の概要: Micro Neural Policies for Safe Real-Time Robotic Control

• arxiv url: http://arxiv.org/abs/2610.08541v1
• Date: Tue, 06 Oct 2026 15:29:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.084588
• Title: Micro Neural Policies for Safe Real-Time Robotic Control
• Title（参考訳）: 安全リアルタイムロボット制御のためのマイクロニューラルポリシ
• Abstract要約: Micro Neural Policies (MNP)は、計算に制約のある組み込みデバイス上で、安全で堅牢なリアルタイムロボット制御を可能にするように設計されている。 MNPは制御性能を犠牲にすることなく、安全なsim-to-real転送を実現することができる。
• 参考スコア（独自算出の注目度）: 4.702992506313123
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we investigate the synthesis of Micro Neural Policies (MNP) to enable safe and robust real-time robotic control on computationally constrained embedded devices. We demonstrate that integrating Evolution Strategy (ES) and Statistical Model Checking (SMC)-based verification for policy search can drastically reduce neural network size without compromising safety and robustness. We conduct a large-scale training and evaluation of MNP on Cartpole and Quadrotor control tasks, varying control frequencies and network architectures. After validating these policies in simulation, we evaluate their deployability through zero-shot transfer to physical systems. Our experiments show that MNP can successfully achieve safe sim-to-real transfer without sacrificing control performance. We then show that the policies' memory footprint, ranging from 0.5 to 7.5 kB, allows deployment on microcontrollers, where they achieve real-time inference latency with under 25 ns of jitter while leaving the chip idle for over 97% of the time for additional workloads. This makes them a highly practical solution for severely resource-constrained robotic systems.
• Abstract（参考訳）: 本稿では,MNP(Micro Neural Policies)の合成について検討し,計算に制約のある組込みデバイス上での安全かつ堅牢なロボット制御を実現する。 我々は,進化戦略(ES)と統計モデル検査(SMC)を併用することで,安全性と堅牢性を損なうことなく,ニューラルネットワークのサイズを大幅に削減できることを実証した。 我々は,カートポールおよびクアドロター制御タスク,各種制御周波数およびネットワークアーキテクチャにおけるMNPの大規模訓練および評価を行う。 これらのポリシーをシミュレーションで検証した後、ゼロショットによる物理システムへのデプロイ性を評価する。 本実験により, MNPは制御性能を犠牲にすることなく, 安全なsim-to-real転送を実現することができた。 次に、ポリシのメモリフットプリントが0.5から7.5kBの範囲で、マイクロコントローラにデプロイでき、25 ns以下のジッターでリアルタイムの推論レイテンシを達成でき、チップアイドルを97%以上追加ワークロードに残すことができることを示した。 これにより、資源に制約のあるロボットシステムにとって、極めて実用的なソリューションとなる。

関連論文リスト

• A Neural Network Based Teleoperation for Remote Controlled Vehicles [98.38733381483934]
  車両の直接遠隔操作は重要な技術的ボトルネックに直面している。 通信遅延とオペレーターの 物理的に知覚できない 未モデル化の環境障害。 本稿では,一方的な遠隔操作フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-11T01:51:08Z)
• NanoCockpit: Performance-optimized Application Framework for AI-based Autonomous Nanorobotics [50.594459728605734]
  小型のフォームファクタ、すなわち10sグラムは、計算資源をSI100ミリワット以下のマイクロコントローラユニット(MCU)に著しく制限する。 本フレームワークは,タスクのシリアライズによるオーバーヘッドをゼロにすることで,クローズドループ制御性能の定量的改善を実現する。
  論文  参考訳（メタデータ） (2026-01-12T12:29:38Z)
• Control of Microrobots with Reinforcement Learning under On-Device Compute Constraints [5.456154853270863]
  自律型ロボットの重要な機能は、地形上で堅牢な移動を行う能力である。 本稿では,マイクロロボットのローコモーションに対するエッジMLアプローチについて検討し,デバイス上での計算,メモリ,電力制約による低レイテンシ制御を実現する。
  論文  参考訳（メタデータ） (2025-12-31T09:18:36Z)
• Safe Beyond the Horizon: Efficient Sampling-based MPC with Neural Control Barrier Functions [23.693610702522236]
  モデル予測制御(MPC)を実際に使用する場合の一般的な問題は、予測地平線を超えた安全仕様の満足度である。 本稿では、推定最適制御のばらつきを大幅に低減し、サンプル効率を向上し、CPU上でのリアルタイム計画を可能にする新しいサンプリング戦略を提案する。
  論文  参考訳（メタデータ） (2025-02-20T19:59:11Z)
• Parameter-Adaptive Approximate MPC: Tuning Neural-Network Controllers without Retraining [50.00291020618743]
  この研究は、大規模なデータセットを再計算し、再トレーニングすることなくオンラインチューニングが可能な、新しいパラメータ適応型AMPCアーキテクチャを導入している。 資源制約の厳しいマイクロコントローラ(MCU)を用いた2種類の実カートポールシステムの揺らぎを制御し,パラメータ適応型AMPCの有効性を示す。 これらの貢献は、現実世界のシステムにおけるAMPCの実践的応用に向けた重要な一歩である。
  論文  参考訳（メタデータ） (2024-04-08T20:02:19Z)
• Safe Imitation Learning of Nonlinear Model Predictive Control for Flexible Robots [6.501150406218775]
  模擬学習と予測安全フィルタを用いたモデル予測制御(NMPC)の安全な近似のためのフレームワークを提案する。 NMPCと比較して、シミュレーションにおいて3次元フレキシブルロボットアームを制御する場合、計算時間は8倍以上改善されている。 高速で安全な近似NMPCの開発は、産業における柔軟なロボットの採用を加速する可能性を秘めている。
  論文  参考訳（メタデータ） (2022-12-06T12:54:08Z)
• Robust, High-Rate Trajectory Tracking on Insect-Scale Soft-Actuated Aerial Robots with Deep-Learned Tube MPC [0.0]
  サブグラムMAV (0.7 グラム) であるMIT SoftFly 上でのアジャイルで効率的な軌道追跡手法を提案する。 我々の戦略は、適応型姿勢制御器と、軌跡追跡堅牢管モデル予測制御器(RTMPC)を模倣する訓練されたニューラルネットワークポリシーを組み合わせたカスケード制御方式を用いている。 我々は,本手法を実験的に評価し,より困難な操作でもルート平均角誤差を1.8cm以下に抑え,従来の作業に比べて最大位置誤差を60%低減し,大きな外乱に対する堅牢性を実証した。
  論文  参考訳（メタデータ） (2022-09-20T21:30:16Z)
• Real-time Neural-MPC: Deep Learning Model Predictive Control for Quadrotors and Agile Robotic Platforms [59.03426963238452]
  モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。 ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
  論文  参考訳（メタデータ） (2022-03-15T09:38:15Z)
• Generating Probabilistic Safety Guarantees for Neural Network Controllers [30.34898838361206]
  ダイナミクスモデルを使用して、ニューラルネットワークコントローラが安全に動作するために保持する必要がある出力プロパティを決定します。 ニューラルネットワークポリシの近似を効率的に生成するための適応的検証手法を開発した。 本手法は,航空機衝突回避ニューラルネットワークの確率的安全性を保証することができることを示す。
  論文  参考訳（メタデータ） (2021-03-01T18:48:21Z)

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。