論文の概要: Payload generalization on feedforward control actions for trajectory tracking in robots with rigid and elastic joints

• arxiv url: http://arxiv.org/abs/2610.29356v1
• Date: Wed, 21 Oct 2026 07:49:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.280398
• Title: Payload generalization on feedforward control actions for trajectory tracking in robots with rigid and elastic joints
• Title（参考訳）: 剛性および弾性関節を有するロボットにおける軌道追跡のためのフィードフォワード制御動作の負荷一般化
• Abstract要約: 学習に基づくフィードフォワードアプローチは、モデル不確実性の下での軌道追跡に有望である。 本稿では,ペイロードパラメータに対するフィードフォワード制御動作を一般化する新しい手法を提案する。 提案アルゴリズムの有効性は,異なるロボットとコントローラによるタスクの追跡に関するシミュレーションや実験で検証されている。
• 参考スコア（独自算出の注目度）: 6.182355114349928
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Industries employ robots for repetitive tasks due to their high precision and performance, typically achieved through feedforward control actions based on an accurate robot description. However, an exact dynamic model can be difficult to obtain, especially for robots with elastic elements or when the payload changes. Learning-based feedforward approaches are promising for trajectory tracking under model uncertainties, but typically face generalization issues when task parameters vary. This paper proposes a novel method to generalize the feedforward control action with respect to payload parameters, independently of the underlying controller. Firstly, the minimal number of example objects needed for payload generalization is derived. Then, an algorithm is proposed to execute the same trajectory with a new payload, given only its parameters, without knowledge of the robot's dynamic model and even in the presence of elastic joints. The effectiveness of the proposed algorithm is validated in simulations and experiments on tracking tasks with different robots and controllers. Two sets of experiments are performed: on a standard Franka Emika Panda robot, and on a Franka Emika Panda robot equipped with an elastic wrist.
• Abstract（参考訳）: 産業では、高い精度と性能のために、正確なロボット記述に基づくフィードフォワード制御によって達成される反復的なタスクにロボットを使用している。 しかし、特に弾性要素を持つロボットやペイロードが変化する場合、正確な動的モデルを得ることは困難である。 学習ベースのフィードフォワードアプローチは、モデル不確実性の下での軌道追跡を約束するが、通常、タスクパラメータが変化すると一般化の問題に直面する。 本稿では,基盤となるコントローラとは独立に,ペイロードパラメータに対するフィードフォワード制御動作を一般化する手法を提案する。 まず、ペイロードの一般化に必要なサンプルオブジェクトの最小数を導出する。 そこで,ロボットの動的モデルや弾性関節の有無を知らずに,パラメータのみを与えられた新しいペイロードで同じ軌道を実行するアルゴリズムを提案する。 提案アルゴリズムの有効性は,異なるロボットとコントローラによるタスクの追跡に関するシミュレーションや実験で検証されている。 標準的なフランカ・エミカ・パンダロボットと、弾性手首を備えたフランカ・エミカ・パンダロボットである。

関連論文リスト

• TAM: Torque Adaptation Module for Robust Motion Transfer in Manipulation [32.68351241308298]
  接触に富んだダイナミックな操作では、小さな動きのずれでさえ参照動作の追跡に失敗することがある。 本稿では,学習モジュールであるTorque Adaptation Module (TAM)を紹介した。
  論文  参考訳（メタデータ） (2026-06-04T14:31:54Z)
• Adapting Neural Robot Dynamics on the Fly for Predictive Control [7.805013939786426]
  オフライントレーニングと効率的なオンライン更新を組み合わせた,ニューラルロボットダイナミックモデルの迅速な適応のためのアプローチを提案する。 本研究では,新しい動作条件下でのロバストな予測追従制御を実現するために,実四足歩行ロボットのアプローチを実証する。
  論文  参考訳（メタデータ） (2026-04-05T09:45:26Z)
• ACLM: ADMM-Based Distributed Model Predictive Control for Collaborative Loco-Manipulation [9.708461585583791]
  重荷のロコ操作による共同輸送は、脚のあるロボットにとって難しいが必須の能力である。 本研究は,ロコマニピュレーションのための分散モデル予測制御フレームワークであるマルチプライアの交互方向法を提案する。
  論文  参考訳（メタデータ） (2026-03-07T08:06:51Z)
• Robometer: Scaling General-Purpose Robotic Reward Models via Trajectory Comparisons [69.87766750714945]
  汎用ロボット報酬モデルは通常、専門家によるデモンストレーションから絶対的なタスク進捗を予測するために訓練される。 本稿では、軌道内進行監視と軌道間優先監視を組み合わせたスケーラブルな報酬モデリングフレームワークRobometerを紹介する。 ロビオメーターは、専門家データに報酬等級を固定するフレームレベルのプログレス・ロスと、グローバルな順序制約を課す軌跡比較優先損失という2つの目的で訓練されている。
  論文  参考訳（メタデータ） (2026-03-02T17:38:58Z)
• Robot-R1: Reinforcement Learning for Enhanced Embodied Reasoning in Robotics [55.05920313034645]
  本稿では,ロボット制御に特化して具体的推論を強化するため,強化学習を活用した新しいフレームワークであるRobot-R1を紹介する。 DeepSeek-R1学習アプローチにインスパイアされたRobot-R1は、推論に基づく応答をサンプリングし、より正確な予測につながるものを強化する。 実験の結果,ロボットR1で訓練したモデルは,具体的推論タスクにおいて,SFT法よりも優れていた。
  論文  参考訳（メタデータ） (2025-05-29T16:41:12Z)
• Action Flow Matching for Continual Robot Learning [54.10050120844738]
  ロボット工学における継続的な学習は、変化する環境やタスクに常に適応できるシステムを求める。 本稿では,オンラインロボット力学モデルアライメントのためのフローマッチングを利用した生成フレームワークを提案する。 ロボットは,不整合モデルで探索するのではなく,行動自体を変換することで,より効率的に情報収集を行う。
  論文  参考訳（メタデータ） (2025-04-25T16:26:15Z)
• Embodied Neuromorphic Control Applied on a 7-DOF Robotic Manipulator [10.642836177302533]
  逆ダイナミクスは、ロボットシステムの関節空間からトルク空間にマップする基本的なロボット工学の問題である。 スパイキングニューラルネットワークを用いて、動作データの連続性を利用して制御精度を改善し、チューニングパラメータを除去する。 この研究は、概念実証から複雑な実世界のタスクへの応用への一歩前進によって、具体化されたニューロモルフィック制御を推し進める。
  論文  参考訳（メタデータ） (2025-04-17T07:13:37Z)
• FAST: Efficient Action Tokenization for Vision-Language-Action Models [98.15494168962563]
  離散コサイン変換に基づくロボット動作のための圧縮に基づく新しいトークン化手法を提案する。 FASTをベースとしたFAST+は,100万個のリアルロボットアクショントラジェクトリに基づいて訓練されたユニバーサルロボットアクショントークンである。
  論文  参考訳（メタデータ） (2025-01-16T18:57:04Z)
• Robot Learning with Sensorimotor Pre-training [98.7755895548928]
  ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。 我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。 感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
  論文  参考訳（メタデータ） (2023-06-16T17:58:10Z)

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。