論文の概要: State-Dependent Objective Coordination for End-to-End Balance and Navigation

• arxiv url: http://arxiv.org/abs/2610.29142v1
• Date: Wed, 21 Oct 2026 03:24:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.190434
• Title: State-Dependent Objective Coordination for End-to-End Balance and Navigation
• Title（参考訳）: エンド・ツー・エンドバランスとナビゲーションのための状態依存型客観コーディネーション
• Abstract要約: ナビゲーションと制御を統合した軽量な状態依存型客観協調手法を提案する。 ゼロショットデプロイメントをサポートするために、シミュレーショントレーニングは実行遅延、アクションホールド、非同期でノイズの多い観察、ダイナミックスの不確実性をモデル化する。
• 参考スコア（独自算出の注目度）: 11.035860336713176
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traditional robotic navigation systems separate mapping, planning, and low-level control through cascaded modules, introducing computational overhead and accumulated latency. End-to-end reinforcement learning offers a compact unified policy that maps onboard observations directly to control actions. However, on inherently unstable platforms such as two-wheeled inverted-pendulum robots, navigation progress and obstacle avoidance can conflict with attitude stabilization in a strongly state-dependent manner. We propose a lightweight state-dependent objective coordination method for integrated navigation and control. A pitch-conditioned scalarization coefficient $β(s)\in[0,1]$ adjusts the relative contributions of balance stabilization and navigation objectives during training, without extra control hierarchies or auxiliary attitude-stabilization controllers, such as proportional-integral-derivative (PID) or linear-quadratic regulator (LQR) controllers. To support zero-shot deployment, simulation training models execution delay, action hold, asynchronous and noisy observations, and dynamics uncertainty. Gradient analysis reveals persistent directional interference and state-dependent variation in the objectives' relative scales. Comparisons with alternative reward-weighting, constraint, training, and control-structure strategies show that PPO+$β(s)$, where PPO denotes proximal policy optimization, achieves 98% and 95% success rates with small attitude excursions on the fixed obstacle map and the randomly generated high-obstacle-density map, respectively. Zero-shot hardware experiments further demonstrate bounded attitude behavior and consistent obstacle avoidance using only onboard observations. Training and evaluation code will be made publicly available upon acceptance.
• Abstract（参考訳）: 従来のロボットナビゲーションシステムは、マッピング、計画、カスケードモジュールによる低レベルの制御を分離し、計算オーバーヘッドと累積遅延を導入した。 エンドツーエンドの強化学習は、オンボードの観察を直接制御行動にマッピングする、コンパクトな統一的なポリシーを提供する。 しかし、二輪倒立振子ロボットのような本質的に不安定なプラットフォームでは、ナビゲーションの進行と障害物回避は、強い状態依存的な姿勢安定化と矛盾する可能性がある。 ナビゲーションと制御を統合した軽量な状態依存型客観協調手法を提案する。 ピッチ条件付きスカラー化係数$β(s)\in[0,1]$は、余分な制御階層や、比例積分微分(PID)や線形四元数レギュレータ(LQR)コントローラのような補助的な姿勢安定化コントローラを使わずに、トレーニング中のバランス安定化とナビゲーション目標の相対的な寄与を調整する。 ゼロショットデプロイメントをサポートするために、シミュレーショントレーニングは実行遅延、アクションホールド、非同期でノイズの多い観察、ダイナミックスの不確実性をモデル化する。 グラディエント分析は、目的物の相対スケールにおける永続的な方向干渉と状態依存的な変化を明らかにする。 代替の報酬重み付け、制約、トレーニング、制御構造戦略と比較すると、PPO+$β(s)$は、PPOが近似ポリシー最適化を表す場合、固定された障害物マップとランダムに生成された高確率密度マップ上で、小さな姿勢で、98%と95%の成功率を達成する。 ゼロショットハードウェア実験は、オンボード観測のみを用いて、有界な姿勢挙動と一貫した障害物回避を更に実証する。 トレーニングと評価のコードは受諾時に公開されます。

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)
• Learning-Based Dynamic Obstacle Avoidance for a UAV Using Only Three Range Sensors [1.2246649738388389]
  本研究では,未知の動環境下で一定高度で動作する無人航空機(UAV)のキノダイナミック・オンライン・モーション・プランニングに対する学習に基づくアプローチを提案する。 提案フレームワークは,行動グリッドマップの表現をDeep Reinforcement Learning (DRL)と統合し,継続的制御における安定した政策学習を実現する。 キーとなるアイデアは、低コストな3つの指向性レンジセンサーのみを使用して、信頼性の高いナビゲーションを可能にする状態表現と制御ポリシーの共設計である。
  論文  参考訳（メタデータ） (2026-09-13T10:53:43Z)
• Nonlinear Model Predictive Control via Sequential Convex Programming for Drone-to-Drone Docking [0.0]
  本研究は, ドッキングタスクを外乱状態が拡張された低次非線形モデルに基づいて, 有限水平最適制御問題として定式化する。 その結果, 動的に実現可能なドッキング軌道を生成するために, 後退水平フレームワーク内での逐次凸プログラミングを用いて問題を解く。
  論文  参考訳（メタデータ） (2026-08-11T06:27:45Z)
• WaveLander: A Generalizable Hierarchical Control Framework for UAV Landing on Wave-Disturbed Platforms via Reinforcement Learning [8.852817079320781]
  本稿では、低レベルの飛行安定化から垂直着陸決定を分離する強化学習(RL)による階層制御フレームワークであるWaveLanderを提案する。 RLは、コンパクトなプラットフォーム相対観測をスカラーの垂直速度基準にマッピングする一方、従来の低レベル飛行制御器は姿勢安定性と横方向追跡を維持できる。 シミュレーションの結果,WaveLanderはロバストな着地性能を達成し,目に見えない外乱条件に一般化することがわかった。
  論文  参考訳（メタデータ） (2026-07-01T08:28:15Z)
• GroundControl: Anticipating Navigation Failures in Vision-Language Agents via Trajectory-Consistent Uncertainty Estimates [3.7267095596919053]
  視覚言語ナビゲーションエージェントは、ベンチマークタスクで平均的な競合的な成功を達成するが、予測可能な軌道レベルのブレークダウンによって失敗が発生することが多い。 信頼性の高いデプロイメントには、即時的なアクションエントロピーのみを反映するのではなく、実行中に発生する障害のダイナミクスを予測する不確実性信号が必要である。 本稿では,各エピソードに集約された目標方向距離-ゴール間距離の統計的偏差として定義される軌道整合不確実性推定器であるemphGroundControlを紹介する。
  論文  参考訳（メタデータ） (2026-06-18T16:56:20Z)
• Diffusion Controller: Framework, Algorithms and Parameterization [54.82539154511621]
  本稿では,逆拡散サンプリングを(一般化された)線形解法マルコフ決定過程における状態のみの制御として活用する統一的な制御理論的視点を提案する。 このフレームワークでは、制御はトレーニング済みのリバースタイムのトランジションカーネルを再重み付けし、端末の目的と$f$分割コストのバランスをとる。 安定拡散v1.4の実験では、選好調整の勝利率が一貫した上昇を示し、品質効率のトレードオフを改善した。
  論文  参考訳（メタデータ） (2026-03-07T01:49:59Z)
• Not All Preferences Are Created Equal: Stability-Aware and Gradient-Efficient Alignment for Reasoning Models [52.48582333951919]
  ポリシー更新の信号対雑音比を最大化することにより、アライメントの信頼性を高めるために設計された動的フレームワークを提案する。 SAGE(Stability-Aware Gradient Efficiency)は、モデル能力に基づいて候補プールをリフレッシュする粗いきめ細かいカリキュラムメカニズムを統合する。 複数の数学的推論ベンチマークの実験により、SAGEは収束を著しく加速し、静的ベースラインを上回っていることが示された。
  論文  参考訳（メタデータ） (2026-02-01T12:56:10Z)
• NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
  我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。 グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。 我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
  論文  参考訳（メタデータ） (2025-06-23T14:28:30Z)
• Integrating DeepRL with Robust Low-Level Control in Robotic Manipulators for Non-Repetitive Reaching Tasks [0.24578723416255746]
  ロボット工学では、現代の戦略は学習に基づくもので、複雑なブラックボックスの性質と解釈可能性の欠如が特徴である。 本稿では, 深部強化学習(DRL)に基づく衝突のない軌道プランナと, 自動調整型低レベル制御戦略を統合することを提案する。
  論文  参考訳（メタデータ） (2024-02-04T15:54:03Z)
• Actor-Critic based Improper Reinforcement Learning [61.430513757337486]
  我々は,未知のマルコフ決定プロセスに対して,学習者に100万ドルのベースコントローラを付与する不適切な強化学習環境を考える。 本稿では,(1)ポリシーグラディエントに基づくアプローチ,(2)単純なアクター・クリティカル・スキームとNatural Actor-Criticスキームを切り替えるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-07-19T05:55:02Z)

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。