論文の概要: MSC: Multi-Stage Caster-aware Control Framework with Uncertainty-Aware NMPC and RL-based Execution Layer
- arxiv url: http://arxiv.org/abs/2610.16199v1
- Date: Mon, 12 Oct 2026 05:29:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-19 07:09:16.712001
- Title: MSC: Multi-Stage Caster-aware Control Framework with Uncertainty-Aware NMPC and RL-based Execution Layer
- Title（参考訳）: MSC: 確実なNMPCとRLベースの実行層を備えたマルチステージキャスター認識制御フレームワーク
- Abstract要約: 本稿では,2つのコア機構を備えた計画実行統合階層型フレームワークであるマルチステージキャスター・アウェア・コントロール(MSC)を提案する。
第一に、不確実性認識NMPC(CU-MPC)は、過度に攻撃的な操作を抑えるために予測不確実性を用いたキャストアウェアコストと入力正規化を動的にスケジュールする。
第二に、強化学習に基づく実行層は、部分観測可能性の下でキャスタ状態を推定し、予測し、現在の接触条件に合わせて高レベル速度コマンドを物理的に実行可能な車輪速度に変換する。
- 参考スコア（独自算出の注目度）: 4.5726328268409135
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Freely swiveling casters are widely adopted in industrial AMRs/SDVs for their mechanical simplicity and load capacity. However, caster misalignment during low-speed or high-curvature maneuvers induces strong contact nonlinearities, widening the planning-execution gap between commanded $(v, ω)$ and realized motion. Existing caster-aware strategies are highly sensitive to state-estimation reliability, causing unstable execution in uncertain transition regimes. To address this, we present Multi-Stage Caster-aware Control (MSC), a planning-execution integrated hierarchical framework featuring two core mechanisms. First, an uncertainty-aware NMPC (CU-MPC) dynamically schedules caster-aware costs and input regularization using predictive uncertainty to suppress overly aggressive maneuvers. Second, a reinforcement learning-based execution layer estimates and predicts caster states under partial observability, transforming high-level velocity commands into physically executable wheel speeds adapted to current contact conditions. Validations in Isaac Sim and real robots demonstrate that MSC offers a clear comparative advantage over existing decoupled compensation approaches by significantly improving caster-state estimation accuracy, minimizing misalignment, and enhancing tracking robustness in caster-sensitive maneuvers.
- Abstract（参考訳）: 自由な旋回キャスターは、機械的単純さと負荷容量のために産業用AMR/SDVに広く採用されている。
しかし、低速または高曲率の操作におけるキャスターの不整合は、強い接触非線形性を誘導し、指示された$(v, ω)$と実現された動きの間の計画と実行のギャップを広げる。
既存のキャストアウェア戦略は、状態推定の信頼性に非常に敏感であり、不確実な遷移状態において不安定な実行を引き起こす。
これを解決するために,2つのコア機構を備えた計画実行統合階層型フレームワークであるMulti-Stage Caster-aware Control(MSC)を提案する。
第一に、不確実性認識NMPC(CU-MPC)は、過度に攻撃的な操作を抑えるために予測不確実性を用いたキャストアウェアコストと入力正規化を動的にスケジュールする。
第二に、強化学習に基づく実行層は、部分観測可能性の下でキャスタ状態を推定し、予測し、現在の接触条件に合わせて高レベル速度コマンドを物理的に実行可能な車輪速度に変換する。
アイザック・シムと実際のロボットによる検証では、MSCはキャスター状態の推定精度を大幅に改善し、ミスアライメントを最小化し、キャスターに敏感な操作におけるロバスト性を追跡することで、既存の分離された補償アプローチに対して明確な優位性を提供することを示した。
関連論文リスト
- Time-Efficient Iterative Learning Planning for Safety-Critical Dynamic Obstacle Avoidance [49.35246226163005]
本稿では、予測リスクブレンド制御バリア機能(ARB-CBF)を統合することにより、動的環境における安全クリティカルなナビゲーションに反復学習計画(ILP)を拡張する。
総合的なシミュレーションと実世界の実験により、最適化ベースのベースラインに比べて計算オーバーヘッドが低く、時間効率と安全性が優れていることが証明された。
論文 参考訳（メタデータ） (2026-09-17T14:12:36Z) - Real-Time Control-Constrained DDP for Underactuated Balancing of Legged Robots [0.28106259549258145]
本稿では,不動脚ロボットのためのリアルタイム制御制約付き微分動的プログラミング(DDP)フレームワークを提案する。
我々の知る限りでは、これはリアルタイム有限水平MPCを用いて達成された四脚ロボットの静的二脚立位の最初の実演である。
論文 参考訳（メタデータ） (2026-08-19T05:21:27Z) - 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) - Parsimonious disturbance-aware minimum-time planning with parametric uncertainty [0.0]
本研究は、モータースポーツ応用のための最小ラップタイム計画フレームワークを提示し、検証する。
この手法は、車両のダイナミクスを短い地平線上で伝播させる、事前の障害対応フレームワークの上に構築されている。
我々は、キーカーパラメータの不確実性を考慮した定式化を拡張した。
論文 参考訳（メタデータ） (2026-07-14T22:32:35Z) - World Models as Adversaries: Multi-Agent Self-Play Fine-Tuning for Robust Motion Planning [60.88859946006306]
Adversa World Modeling(英語版)は理論上基礎を成すマルチエージェント・セルフプレイ・ファインチューニングフレームワークである。
内的最小化においては、プランナーの予測世界モデルは、スパースでシーン適応的なアタック・アタック・アライアンスを学ぶロール条件の敵に変換される。
nuPlan と InterPlan のベンチマーク実験により,本手法が伝達可能な対角相互作用を生成することを示す。
論文 参考訳（メタデータ） (2026-07-12T07:44:16Z) - MPC for underactuated spacecraft control with a Lyapunov supervised physics-informed neural network correction layer [2.4919077201316067]
未作動の宇宙船は、制御可能性の限界に直面し、環境障害に対する感度を高める。
i) 非線形モデル予測制御器(NMPC) の制約と非作動性を考慮した操作計画と, アクチュエータリミット下での名目上の閉ループ安定性, (ii) 物理インフォームドニューラルネットワーク(PINN) シミュレーションデータをオフラインでトレーニングし, 残差トルクを推定すること, (iii) 学習した補正をオンラインで評価し, ベースラインコントローラの安定性を維持または抑制するリアプノフベースの監視安全機構。
論文 参考訳（メタデータ） (2026-06-11T09:39:14Z) - MESA: Improving MoE Safety Alignment via Decentralized Expertise [55.2978630005606]
MESA(MoE Safety Alignment)は、MoEベースの大規模言語モデルを対象としたアライメントフレームワークである。
安全責任を戦略的に分散し、カバー範囲を最大化し、実用性への干渉を最小限にする。
MESAは様々な有害なベンチマークに対して堅牢な防御性能を達成し、有用性を維持する。
論文 参考訳（メタデータ） (2026-05-30T09:54:38Z) - DA-PTQ: Drift-Aware Post-Training Quantization for Efficient Vision-Language-Action Models [61.26694413585136]
DA-PTQ (Drift-Aware Post-Training Quantization) は、逐次決定過程に対するドリフト-アウェア最適化問題として量子化を定式化する。
DA-PTQはキネマティックドリフトを著しく低減し、低ビット設定下での完全精度モデルに匹敵する性能を達成する。
論文 参考訳（メタデータ） (2026-04-13T14:51:43Z) - When Sensors Fail: Temporal Sequence Models for Robust PPO under Sensor Drift [64.37959940809633]
時間的持続的なセンサ故障下でのPPOのロバスト性について検討する。
トランスフォーマーを用いたシーケンスポリシーは, センサ数が少ない場合でも高いリターンを保ちながら, 堅牢性, RNN, SSMよりも大幅に優れていた。
論文 参考訳（メタデータ） (2026-03-04T22:21:54Z) - MAESTROCUT: Dynamic, Noise-Adaptive, and Secure Quantum Circuit Cutting on Near-Term Hardware [0.0]
MaestroCutは、分散プロキシをリアルタイムで追跡し、精度が低下した時に再カットをトリガーし、トポロジ対応のプリエントを使用してショットをルーティングする。
Tier-1シミュレーションは、一貫した分散収縮と、一様および比例基底線に対する平均二乗誤差の低減を示す。
リアルなキューとノイズによるTier-2エミュレーションは、ストレスシナリオ下で安定したレイテンシターゲット、高い信頼性、1%のソフトウェアオーバーヘッドを示す。
論文 参考訳（メタデータ） (2025-08-31T12:01:16Z) - Constrained Reinforcement Learning using Distributional Representation for Trustworthy Quadrotor UAV Tracking Control [2.325021848829375]
本研究では, 未知の空力効果に対する分散強化学習障害推定器を統合した新しいトラジェクトリトラッカーを提案する。
提案手法は, 空気力学効果の真値と推定値の不確かさを正確に同定する。
本システムは,最近の技術と比較して,累積追尾誤差を少なくとも70%改善することを示した。
論文 参考訳（メタデータ） (2023-02-22T23:15:56Z)
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。