論文の概要: Autonomous Droplet Navigation via Model-Based Reinforcement Learning: Zero-Shot Transfer and Emergent Dynamics
- arxiv url: http://arxiv.org/abs/2610.08852v1
- Date: Sat, 03 Oct 2026 04:06:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.515726
- Title: Autonomous Droplet Navigation via Model-Based Reinforcement Learning: Zero-Shot Transfer and Emergent Dynamics
- Title（参考訳）: モデルベース強化学習による自律型液滴ナビゲーション:ゼロショット転送と創発ダイナミクス
- Abstract要約: オープンで未確立な表面におけるクローズドループ式自律液滴ナビゲーションのための,最初のロボットプラットフォームを紹介した。
薄いシリコンオイルフィルムでコーティングされた2軸傾斜板は液滴を駆動し、オーバーヘッドカメラはリアルタイムのフィードバックを提供する。
学習されたポリシーは、シミュレーションや分析モデルなしで、幾何学的な複雑さによって、わずか50から150の物理エピソードで訓練された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Self-driving laboratories (SDLs) are transforming chemical and materials discovery through closed-loop automation, yet automated infrastructure for physical manipulation of soft, deformable matter remains beyond current robotic platforms. A critical instance is autonomous droplet transport on an open surface, where contact-angle hysteresis, capillary pinning, and surface heterogeneity produce partially observable dynamics that pose significant challenges for classical model-based controllers. We introduce the first robotic platform for closed-loop autonomous liquid droplet navigation on an open, unconfined surface using model-based reinforcement learning. A two-axis tilting board coated with a thin silicone oil film drives the droplet, while an overhead camera provides real-time feedback. A learned policy was trained on just 50 to 150 physical episodes depending on geometric complexity, without simulation or analytical models. Beyond performance alone, the platform demonstrates three capabilities of interest to the SDL community: it robustly transfers zero-shot to unseen geometries; it autonomously discovers an oscillatory depinning strategy to free the droplet when it sticks; and it completes its full training pipeline in under 90 minutes. These results extend reinforcement-learning manipulation from rigid microrobots to deformable soft-matter systems for next-generation SDLs.
- Abstract（参考訳）: 自動運転車研究所(SDL)は、クローズドループ自動化を通じて化学や材料発見を変革しているが、ソフトで変形可能な物質を物理的に操作するための自動化インフラは、現在のロボットプラットフォームを超えたままである。
重要な例として、開放面上の自律的な液滴輸送があり、接触角ヒステリシス、毛細血管のピンニング、表面の不均一性が部分的に観察可能なダイナミクスを生み出し、古典的なモデルベースのコントローラに重大な課題をもたらす。
モデルベース強化学習を用いて, 開放面上に自律液滴ナビゲーションを行うロボットプラットフォームを初めて導入する。
薄いシリコンオイルフィルムでコーティングされた2軸傾斜板は液滴を駆動し、オーバーヘッドカメラはリアルタイムのフィードバックを提供する。
学習されたポリシーは、シミュレーションや分析モデルなしで、幾何学的な複雑さによって、わずか50から150の物理エピソードで訓練された。
パフォーマンスだけでなく、プラットフォームはSDLコミュニティへの関心の3つの能力を示している。ゼロショットを無意味なジオメトリーに堅牢に転送する、自律的に液滴を解き放つ振動デピン戦略を発見し、完全なトレーニングパイプラインを90分以内で完了する。
これらの結果は、剛性マイクロロボットから次世代SDLのための変形可能なソフトマターシステムへの強化学習操作を拡張した。
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) - Autonomous Droplet Navigation via Model-Based Reinforcement Learning [0.0]
重力駆動プラットフォーム上での複雑度増大のジオメトリーによる液滴の自律航法を実証する。
薄いシリコンオイル膜は接触線ピンニングを低減し、2軸傾斜は重力駆動力を供給し、頭上カメラは液滴をリアルタイムで追跡する。
オフライントレーニングされたポリシーは、シミュレーションや解析的なドロップレットモデルなしで、限られた物理的相互作用データから効果的な傾き戦略を発見する。
論文 参考訳（メタデータ） (2026-09-14T21:31:28Z) - MILD: Tractable Terrain Modeling for Learning Improved Bipedal Locomotion on Deformable Surfaces [27.312811759047023]
物理地上の離散要素接触解法を特徴とするMILDについて述べる。
我々は、深い強化学習を通して地形認識コントローラを訓練する。
本システムでは,様々な表面硬さのオンライン識別と適応性を実証する。
論文 参考訳（メタデータ） (2026-08-20T12:24:34Z) - Learning the Right Abstraction: Neural Reduced Dynamics for Complex Robot Control [6.192077990532515]
我々は、より正確ではなく、より巧妙なシミュレーションの使用を提唱する。
我々は、モデルが伝播する状態を入力として供給したり、分析的に回収したりできる状態から分離する神経還元力学(NRD)フレームワークを開発する。
2つのケーススタディは、地形を意識したHMMWV軌跡追跡と、頑丈で曲がりくねった変形可能な地形、およびストックトラック車とその前面に装着された関節アームへの到達という3つの制御課題にまたがってこれをインスタンス化する。
論文 参考訳（メタデータ） (2026-08-19T18:41:27Z) - Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。
本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。
このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
論文 参考訳（メタデータ） (2026-04-10T17:12:07Z) - 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) - Simple Models, Real Swimming: Digital Twins for Tendon-Driven Underwater Robots [8.744009526780692]
本研究では,効率的な水中潜水環境をモデル化した腱駆動型魚型ロボットを提案する。
以上の結果から, シンプルでステートレスなモデルであっても, 柔らかい水中ロボットの効果的なデジタル双生児として機能することが示唆された。
論文 参考訳（メタデータ） (2026-02-26T17:55:22Z) - Learning Physics from Pretrained Video Models: A Multimodal Continuous and Sequential World Interaction Models for Robotic Manipulation [63.04810454548667]
我々は、ロボット操作タスクを解決するために、スケーラブルで連続的かつシーケンシャルな世界インタラクションフレームワークであるPhysGenを紹介した。
トレーニング済みのビデオモデルを物理シミュレーターのプロキシとして扱うことで、PhysGenは外部環境とロボット動作の間の動的相互作用をモデル化する。
本稿では,映像とアクションを共有物理トークンに統合し,離散映像生成と連続ロボット制御のギャップを埋めるマルチモーダル連続表現を提案する。
論文 参考訳（メタデータ） (2026-02-18T14:58:18Z) - Learning Quadrupedal Locomotion for a Heavy Hydraulic Robot Using an Actuator Model [7.275864116517311]
この研究は、重油圧四足歩行ロボット上で強化学習(RL)による安定かつ頑健なコマンド追跡ロコモーションの移動に成功した最初の実演である。
このモデルは、12個のアクチュエータの関節トルクを1マイクロ秒以下で予測し、RL環境での高速な処理を可能にする。
論文 参考訳（メタデータ） (2026-01-16T10:01:09Z) - 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)
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。