論文の概要: Kinematic Reward, Measured Effort: Hardware-Validated RL Morphology Optimization of a Planar 2R Manipulator

• arxiv url: http://arxiv.org/abs/2610.15756v1
• Date: Sun, 11 Oct 2026 16:37:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 16:47:39.081613
• Title: Kinematic Reward, Measured Effort: Hardware-Validated RL Morphology Optimization of a Planar 2R Manipulator
• Title（参考訳）: Kinematic Reward, Measured Effort: 平面2RマニピュレータのハードウェアValidated RL形態最適化
• Abstract要約: 2RSCARA型マニピュレータアームの形状を吉川キネマティックマニピュラビリティ指標を用いて最適化した。 最悪の形態と比較すると, 最適形態は第2関節荷重を38.4+/-0.6%削減する。
• 参考スコア（独自算出の注目度）: 0.9176056742068814
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Yoshikawa's Manipulability Index is generally used as a classical measure to define an optimal morphology of a manipulator. However, any such optimization is almost always studied as a purely kinematic quantity in simulation and is rarely validated on hardware. We present a reinforcement-learning framework with RSL-RL PPO that optimizes the morphology of a 2R SCARA-type manipulator arm with Yoshikawa's kinematic manipulability index as a core reward, and the analytically derived closed-form optimum for the circular task is used to verify that our method recovers it. Then the same method is applied to custom elliptical and rectangular paths having no analytical optimum. The RL-optimized morphologies are then transferred to a 2R hardware manipulator to validate its effect in reduction of joint load in the hardware. Compared to the worst morphology, the optimum morphology delivered by our method reduces second joint load by 38.4 +/- 0.6% for the ellipse path and 41.3 +/- 0.3% for the rectangle, and first joint load by 15%.
• Abstract（参考訳）: 吉川のマニピュラビリティ指数は、マニピュレータの最適形態を定義する古典的な尺度として一般的に用いられる。 しかしながら、そのような最適化はほとんど常にシミュレーションにおいて純粋にキネマティックな量として研究され、ハードウェア上ではほとんど検証されない。 本稿では,2R SCARA型マニピュレータアームの形状を最適化したRCL-RL PPOを用いた強化学習フレームワークを提案する。 次に,解析的最適性を持たない固有楕円経路および矩形経路に適用する。 RL最適化モルフォロジーは2Rハードウェアマニピュレータに転送され、ハードウェアにおける関節荷重の低減効果を検証する。 最悪の形態と比較すると,2次関節荷重は楕円路では38.4+/-0.6%,長方形では41.3+/-0.3%,第1次関節荷重では15%減少する。

関連論文リスト

• Diff3R: Feed-forward 3D Gaussian Splatting with Uncertainty-aware Differentiable Optimization [76.38917994186733]
  Diff3Rはフィードフォワード予測とテストタイム最適化をブリッジする新しいフレームワークである。 フィードフォワード3DGSアーキテクチャにシームレスに統合でき、ポーズギヴン法とポーズフリー法の両方に対応できることを示す。
  論文  参考訳（メタデータ） (2026-04-01T15:40:20Z)
• Hyperparameter Transfer Enables Consistent Gains of Matrix-Preconditioned Optimizers Across Scales [55.91454326946738]
  学習速度と減量率の最適化は,幅広い言語に対して,モデルの幅と深さでどのようにスケールするかを検討する。 我々は、$Pによる学習率のスケーリングは転送を改善するが、それでもかなりの有限幅偏差に悩まされる可能性があることを見出した。 計算-最適スケーリングでは、独立したウェイト崩壊が1/mathrmwidth$で言語間でほぼ最適であることが分かる。
  論文  参考訳（メタデータ） (2025-12-05T11:03:41Z)
• Fantastic Pretraining Optimizers and Where to Find Them [59.56075036649332]
  AdamWは長い間、言語モデルの事前訓練において支配的な勾配だった。 行列ベースの行列の高速化はモデルスケールに逆比例する。
  論文  参考訳（メタデータ） (2025-09-02T07:43:22Z)
• Mipmap-GS: Let Gaussians Deform with Scale-specific Mipmap for Anti-aliasing Rendering [81.88246351984908]
  任意のスケールでガウスを適応させる統一最適化法を提案する。 ミップマップ技術に触発されて、ターゲットスケールのための擬似基底構造を設計し、3次元ガウスアンにスケール情報を注入するスケール一貫性誘導損失を提案する。 本手法は,PSNRの3DGSを,ズームインで平均9.25dB,ズームアウトで平均10.40dBで上回っている。
  論文  参考訳（メタデータ） (2024-08-12T16:49:22Z)
• Stochastic Optimal Control Matching [53.156277491861985]
  最適制御のための新しい反復拡散最適化(IDO)技術である最適制御マッチング(SOCM)を導入する。 この制御は、一致するベクトル場に適合しようとすることで、最小二乗問題を通じて学習される。 実験により,本アルゴリズムは最適制御のための既存のすべての IDO 手法よりも低い誤差を実現する。
  論文  参考訳（メタデータ） (2023-12-04T16:49:43Z)
• Investigation of reinforcement learning for shape optimization of profile extrusion dies [1.5293427903448022]
  強化学習(Reinforcement Learning, RL)は、学習に基づく最適化アルゴリズムである。 RLは、エージェントと環境との試行錯誤の相互作用に基づいている。 この手法を2つの2次元テストケースに適用して検討する。
  論文  参考訳（メタデータ） (2022-12-23T08:53:09Z)
• Learning to Optimize Quasi-Newton Methods [22.504971951262004]
  本稿では、最適化時に最適な事前条件をオンラインで学習するLODOと呼ばれる新しい機械学習を提案する。 他のL2Oメソッドとは異なり、LODOはトレーニングタスクの配布にメタトレーニングを一切必要としない。 この勾配は, 雑音場における逆 Hessian を近似し, 幅広い逆 Hessian を表現可能であることを示す。
  論文  参考訳（メタデータ） (2022-10-11T03:47:14Z)
• Learning Rates as a Function of Batch Size: A Random Matrix Theory Approach to Neural Network Training [2.9649783577150837]
  スパイクされたフィールド依存ランダム行列理論を用いて, ニューラルネットの損失景観に及ぼすミニバッチの影響について検討した。 我々は、スムーズで非ニュートンディープニューラルネットワークのための最大降下および適応訓練規則の解析式を導出する。 VGG/ResNetおよびImageNetデータセットのクレームを検証する。
  論文  参考訳（メタデータ） (2020-06-16T11:55:45Z)

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。