論文の概要: FlashNeRD: Performance-First Contact-Rich Neural Robot Dynamics

• arxiv url: http://arxiv.org/abs/2610.09130v1
• Date: Tue, 06 Oct 2026 21:23:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.611334
• Title: FlashNeRD: Performance-First Contact-Rich Neural Robot Dynamics
• Title（参考訳）: FlashNeRD: パフォーマンス第一級コンタクトリッチニューラルロボットダイナミクス
• Abstract要約: NeRDは衝突検出分析を継続し、ロボットのためのシミュレータの数値力学を学習モデルで置き換える。 NeRDは、そこから学んだシミュレータのスピードアップをほとんど提供せず、事前に定義されたポイントでのみコンタクトを受け取り、操作するオブジェクトと双方向の結合を持たない。 FlashNeRDは3つ全てを並列ストリーミングアーキテクチャで取り除き、予測の高速化と精度の向上を実現している。
• 参考スコア（独自算出の注目度）: 9.296045580003792
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Compared with analytical physics, learned dynamics models promise robot simulation that is faster, inherently differentiable, and easily adaptable to real data. Neural Robot Dynamics (NeRD) pursues this by keeping collision detection analytical and replacing a simulator's numerical dynamics for the robot with a learned model. Three limitations remain. NeRD offers little speedup over the simulator it learned from, accepts contact only at predefined points, and has no two-way coupling with objects it manipulates. FlashNeRD removes all three with a parallel streaming architecture that makes each prediction faster and more accurate, an encoder that accepts contacts wherever they occur, and two-way coupling with objects simulated by analytical solvers. Experiments across five robots show faster and more accurate dynamics, faster policy learning, and faster inference-time planning. Across three robots, FlashNeRD's dynamics model is up to $55\times$ faster than an optimized NeRD and more accurate over long rollouts. This speedup extends to policy learning, where PPO trains an ANYmal locomotion policy in 34 seconds, $3.8\times$ faster than the analytical simulator and $2.7\times$ faster than an optimized NeRD. With DIAL-MPC, a sampling-based MPC method, the robot climbs all six test platforms where fixed-contact NeRD manages one, at approximately half the analytical simulator's planning time. Cube-reorientation policies trained with FlashNeRD complete within 2% of the simulator-trained policy's target count.
• Abstract（参考訳）: 解析物理学と比較して、学習力学モデルはより速く、本質的に微分可能で、実際のデータに容易に適応できるロボットシミュレーションを約束する。 ニューラル・ロボット・ダイナミクス(NeRD)は、衝突検出分析を継続し、ロボットの数値力学を学習モデルに置き換えることでこれを追求する。 3つの制限が残っている。 NeRDは、そこから学んだシミュレータのスピードアップをほとんど提供せず、事前に定義されたポイントでのみコンタクトを受け取り、操作するオブジェクトと双方向の結合を持たない。 FlashNeRDは並列ストリーミングアーキテクチャでこれら3つをすべて取り除き、予測の高速化と精度向上を実現し、連絡先をどこにでも受け入れるエンコーダと、解析的ソルバによってシミュレートされたオブジェクトとの双方向の結合を実現している。 5つのロボットによる実験では、より高速で正確なダイナミクス、より高速なポリシー学習、より高速な推論時間計画が示される。 3つのロボットで、FlashNeRDのダイナミックスモデルは最適化されたNeRDよりも高速で、長時間のロールアウトよりも正確です。 このスピードアップはポリシー学習にまで拡張され、PPOは34秒でANYmalのロコモーションポリシーを訓練し、分析シミュレータよりも3.8\times$、最適化されたNeRDより2.7\times$速くした。 サンプルベースのMPC手法であるDIAL-MPCでは、このロボットは6つのテストプラットフォームすべてに登り、固定接触型NeRDが1つを管理する。 FlashNeRDでトレーニングされたキューブ-リオリエンテーションポリシーは、シミュレータ訓練されたポリシーのターゲット数の2%以内に完了します。

関連論文リスト

• 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)
• Data-Driven Autoregressive Power Prediction for GTernal Robots in the Robotarium [0.0]
  マルチロボットシステムのためのエネルギー認識アルゴリズムは、正確な消費電力モデルを必要とする。 ジョージア工科大学ロボット館に配備されたGTernalモバイルロボットプラットフォームに対して,軽量な自己回帰予測器を提案する。
  論文  参考訳（メタデータ） (2026-03-14T11:43:42Z)
• Learning Sim-to-Real Humanoid Locomotion in 15 Minutes [51.500643119683225]
  本稿では,FastSACとFastTD3という,非政治的RLアルゴリズムに基づくシンプルで実用的なレシピを提案する。 我々の単純なレシピは、何千もの並列環境において、政治外のRLアルゴリズムを大規模に安定化させる。 我々は,Unitree G1 と Booster T1 ロボット上でのヒューマノイド移動制御器のエンドツーエンドの迅速な学習を実演する。
  論文  参考訳（メタデータ） (2025-12-01T18:55:17Z)
• FastTD3: Simple, Fast, and Capable Reinforcement Learning for Humanoid Control [49.08235196039602]
  FastTD3は強化学習(RL)アルゴリズムで、1つのA100 GPU上で3時間以内のHumanoidBenchタスクを解く。 我々はまた、ロボット工学におけるRL研究を加速するために、FastTD3の軽量で使いやすい実装を提供する。
  論文  参考訳（メタデータ） (2025-05-28T17:55:26Z)
• Generalizable and Fast Surrogates: Model Predictive Control of Articulated Soft Robots using Physics-Informed Neural Networks [4.146337610044239]
  本研究では,データ効率を重視した音声ソフトロボット(ASR)のための物理インフォームドニューラルネットワーク(PINN)を提案する。 リカレントニューラルネットワークとは対照的に、PINNは高い一般化性を提供する。 精度の高いFPモデルの予測速度は、PINNで最大467倍、わずかに精度が低下する。
  論文  参考訳（メタデータ） (2025-02-04T01:16:33Z)
• Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [57.278726604424556]
  そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。 提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。 ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
  論文  参考訳（メタデータ） (2024-09-12T11:50:06Z)

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。