論文の概要: Towards Reinforcement Learning for Space Robotics: Fast Training and Reliable Real-World Transfer

• arxiv url: http://arxiv.org/abs/2610.24241v1
• Date: Fri, 16 Oct 2026 21:10:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-26 02:55:20.555626
• Title: Towards Reinforcement Learning for Space Robotics: Fast Training and Reliable Real-World Transfer
• Title（参考訳）: 宇宙ロボティクスの強化学習に向けて : 高速トレーニングと信頼性の高い実世界移動
• Abstract要約: 四足歩行ロボットは、1つのコンシューマグレードのGPUで20分未満のトレーニングをした後で、さまざまな現実世界の地形を確実に横切ることができることを示す。 その結果は、より有能で堅牢な宇宙ロボットシステムの開発において、強化学習が重要なツールとなる未来を垣間見ることができる。
• 参考スコア（独自算出の注目度）: 2.748829440399582
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work demonstrates the use of a fast simulation-based training framework to learn control policies using reinforcement learning. The hardware requirements are minimal and the simulation-learned policies transfer reliably to the real world. With this setup, we show that a quadruped robot can learn to traverse diverse real-world terrains reliably---including in a lunar-analog facility---after less than 20 minutes of training on a single consumer-grade GPU. These results provide a glimpse of a future where reinforcement learning is a crucial tool in developing more capable and robust space robotic systems. Video demonstrations are available at https://youtu.be/vUFJiZdJaQ0.
• Abstract（参考訳）: 本研究は,強化学習を用いて制御ポリシを学習するために,高速なシミュレーションベーストレーニングフレームワークを使用することを実証する。 ハードウェア要件は最小限であり、シミュレーションによって導かれたポリシーは現実世界に確実に伝達される。 この設定により、四足歩行ロボットは、一台のコンシューマグレードのGPUで20分未満のトレーニングをした後、月アナログの施設を含む、さまざまな現実世界の地形を確実に横切ることを学習できることが示される。 これらの結果は、より有能で堅牢な宇宙ロボットシステムの開発において、強化学習が重要なツールとなる未来を垣間見ることができる。 ビデオデモはhttps://youtu.be/vUFJiZdJaQ0.comで公開されている。

関連論文リスト

• Learning to Race in Minutes: Infoprop Dyna on the Mini Wheelbot [12.332571710775712]
  Infoprop Dynaは、最先端の不確実性を認識したモデルに基づく強化学習フレームワークである。 小型一輪車ロボットのMini Wheelbotは、実際の体験から11分以内にトラックを走り回ることを学ぶ。
  論文  参考訳（メタデータ） (2026-05-01T21:04:52Z)
• Robot Control Stack: A Lean Ecosystem for Robot Learning at Scale [11.166320712764465]
  VLA(Vision-Language-Action Model)は、専門的なアーキテクチャと専門家ポリシーのタスクに適したコンポーネントを、大規模なデータ収集とセットアップ固有の微調整に置き換える。 従来のロボットソフトウェアフレームワークはボトルネックとなり、ロボットシミュレーションは、実世界の実験への移行を限定的にサポートする。 我々は、大規模なジェネラリストポリシーによるロボット学習の研究を支援するために、ゼロから設計されたリーンエコシステムであるRobot Control Stack (RCS)を紹介した。
  論文  参考訳（メタデータ） (2025-09-18T13:12:16Z)
• A General Infrastructure and Workflow for Quadrotor Deep Reinforcement Learning and Reality Deployment [48.90852123901697]
  本稿では, エンドツーエンドの深層強化学習(DRL)ポリシーを四元数へシームレスに移行できるプラットフォームを提案する。 本プラットフォームは, ホバリング, 動的障害物回避, 軌道追尾, 気球打上げ, 未知環境における計画など, 多様な環境を提供する。
  論文  参考訳（メタデータ） (2025-04-21T14:25:23Z)
• Learning Humanoid Standing-up Control across Diverse Postures [27.79222176982376]
  立ち上がり制御はヒューマノイドロボットにとって不可欠であり、現在の移動と移動操作システムに統合される可能性がある。 本稿では,立ち上がり制御をゼロから学習する強化学習フレームワークであるHoST(Humanoid Standing-up Control)を提案する。 実験結果から, 各種実験室および屋外環境におけるスムーズ, 安定, 頑健な立位運動が得られた。
  論文  参考訳（メタデータ） (2025-02-12T13:10:09Z)
• 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)
• Any-point Trajectory Modeling for Policy Learning [64.23861308947852]
  我々は、ビデオフレーム内の任意の点の将来の軌跡を予測するために、ATM(Any-point Trajectory Modeling)を導入する。 ATMは、強力なビデオ事前トレーニングベースラインを平均80%上回っている。 本研究では,人間の動画やビデオからの操作スキルを,異なるロボット形態から効果的に伝達する学習方法を示す。
  論文  参考訳（メタデータ） (2023-12-28T23:34:43Z)
• A Walk in the Park: Learning to Walk in 20 Minutes With Model-Free Reinforcement Learning [86.06110576808824]
  深層強化学習は、制御されていない環境での学習ポリシーに対する有望なアプローチである。 機械学習アルゴリズムとライブラリの最近の進歩と、慎重に調整されたロボットコントローラを組み合わせることで、現実世界では4分で学習できる。
  論文  参考訳（メタデータ） (2022-08-16T17:37:36Z)
• Rapid Locomotion via Reinforcement Learning [15.373208553045416]
  我々はMIT Mini Cheetahで記録的な俊敏性を実現するエンドツーエンドの学習コントローラを提案する。 このシステムは、草、氷、砂利などの自然の地形で速く動き、乱れに強く反応する。
  論文  参考訳（メタデータ） (2022-05-05T17:55:11Z)

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。