論文の概要: Adaptive Aerial Loco-Manipulation Policy Learning via LLM-Assisted Proactive Task Generation

• arxiv url: http://arxiv.org/abs/2610.30810v1
• Date: Thu, 22 Oct 2026 06:36:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-24 02:08:44.2381
• Title: Adaptive Aerial Loco-Manipulation Policy Learning via LLM-Assisted Proactive Task Generation
• Title（参考訳）: LLM支援能動タスク生成による適応的航空ロコマニピュレーション政策学習
• Abstract要約: 本稿では、外部アームコマンド下での適応飛行制御のための空中ロコ操作フレームワークであるALMAを提案する。 ALMAは、最近の計測と行動から適応する文脈的飛行ポリシーを採用している。 根平均二乗誤差を最強ベースラインに対して最大24.7%減少させる。
• 参考スコア（独自算出の注目度）: 21.317966714123195
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Loco-manipulation extends the workspace of conventional manipulation by combining mobility with physical interaction, while aerial loco-manipulation further expands this capability into three-dimensional space, enabling robots to reach environments inaccessible to ground-based systems. Moving to an aerial platform, however, gives rise to a demanding control problem, since the vehicle must track trajectories accurately in three dimensions while the motion of the arm and its interaction with the environment continuously shift the center of mass, alter the inertia, and impose force and moment disturbances on the body. Conventional controllers address these effects through explicit models and estimation, whereas learning-based controllers infer dynamics from experience, yet control rewards provide no direct target for the response information retained from history, and fixed task sampling can leave persistent tracking difficulties insufficiently explored. We present ALMA, an aerial loco-manipulation framework for adaptive flight control under external arm commands. ALMA employs a contextual flight policy that adapts from recent measurements and actions, using action-conditioned prediction of future measurement representations to train its context to retain response information relevant to flight control. To expand the experience available for this adaptation, an evolutionary process uses a large language model (LLM) to analyze observed control difficulties and propose new structures of arm motion for subsequent training. In simulation, ALMA reduces position root-mean-square error (RMSE) by up to 24.7% relative to the strongest baseline, while the same policy transfers zero-shot to the aerial manipulator and reduces hover position RMSE by 79.6% during periodic arm motion relative to the real-world baseline.
• Abstract（参考訳）: ロコ操作は、移動性と物理的相互作用を組み合わせることで従来の操作の作業空間を拡張し、空飛ぶロコ操作は、これを3次元空間に拡張することで、ロボットが地上のシステムに到達できない環境に到達できるようにする。 しかし、空中プラットフォームへの移動は、車両が3次元の軌道を正確に追跡しなければならない一方で、アームの動きと環境との相互作用が常に質量の中心をシフトし、慣性を変化させ、体に力とモーメントの乱れを課すため、要求される制御問題を引き起こす。 従来のコントローラは明示的なモデルと推定によってこれらの効果に対処するが、学習ベースのコントローラは経験からダイナミクスを推論するが、制御報酬は履歴から保持された応答情報の直接的ターゲットを与えず、固定されたタスクサンプリングは永続的な追跡困難を十分に調査することができない。 本稿では、外部アームコマンド下での適応飛行制御のための空中ロコ操作フレームワークであるALMAを提案する。 ALMAは、最近の計測と行動から適応する文脈的飛行ポリシーを採用し、将来の計測表現の行動条件付き予測を使用して、飛行制御に関連する応答情報を保持するためにそのコンテキストを訓練する。 この適応のために、進化的プロセスは、大きな言語モデル(LLM)を使用して観察された制御困難を分析し、その後のトレーニングのために腕の動きの新しい構造を提案する。 シミュレーションでは、ALMAは最強のベースラインに対する位置根平均二乗誤差(RMSE)を最大24.7%削減し、同じ方針はゼロショットを空中マニピュレータに転送し、実世界のベースラインに対する周期的なアームの動きにおいてホバー位置RMSEを79.6%削減する。

関連論文リスト

• Scaling Latent Motor Adaptation to Coordinated Bimanual Manipulation [59.04836683011635]
  ラピッドモータ適応(Rapid Motor Adaptation, RMA)のような埋め込み型適応法は、相互作用履歴から推定される環境力学の潜在表現に対する条件付けによってこの問題に対処する。 我々は,このパラダイムが単一アーム設定から,高次元制御,結合接触,共有物体力などによってさらに複雑になるようなバイマニュアル操作にスケールするかどうかを考察する。
  論文  参考訳（メタデータ） (2026-10-10T11:49:02Z)
• 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)
• Reinforcement Learning with Inner-loop Dynamics Estimator for Aerial Manipulation under Uncertainty [0.560928143828791]
  本稿では,Reinforcement Learning (RL) と内部ループ力学推定器を組み合わせた階層型制御フレームワークを提案する。 本研究では, 各種ペイロード条件下でのハードウェア実験により, 3DoFマニピュレータを備えたカスタム四極子に対する提案手法の有効性を検証した。
  論文  参考訳（メタデータ） (2026-06-15T12:16:01Z)
• Learning Terrain-Aware Whole-Body Control for Perceptive Legged Loco-Manipulation [2.915167691607446]
  我々は,足のマニピュレータのための地形対応全体制御フレームワークTA-WBCを紹介する。 我々は、地形の特徴を抽出するためにハイブリッド・エクセプション・エンコーダを用いており、ロボットが姿勢や足場を積極的に適応するための重要な基盤となっている。 安定なクロステランのロコ操作を容易にするため,フット接触面に基づく新しいエンドエフェクタサンプリング法を提案する。
  論文  参考訳（メタデータ） (2026-05-29T14:22:10Z)
• Global End-Effector Pose Control of an Underactuated Aerial Manipulator via Reinforcement Learning [15.634803296068009]
  ロボットアームとマルチロータードローンを組み合わせた空中マニピュレータは、アームの重量と機械的複雑さに厳しい制約に直面している。 本研究では,2自由度2自由度(DoF)アームを,6自由度エンドエフェクタのフルポーズ制御が可能な差動機構を用いて検討した。
  論文  参考訳（メタデータ） (2025-12-24T10:00:01Z)
• Gait-Adaptive Perceptive Humanoid Locomotion with Real-Time Under-Base Terrain Reconstruction [86.53248703859718]
  本研究では,地形認識,歩行制御,全身制御を一つの強化学習ポリシーにマージする知覚的移動フレームワークを提案する。 31-DoF、1.65mのヒューマノイドロボットによる実験は、シミュレーションと実世界の両方で堅牢な移動を実証している。
  論文  参考訳（メタデータ） (2025-12-08T11:42:41Z)
• Learning Variable Impedance Control for Aerial Sliding on Uneven Heterogeneous Surfaces by Proprioceptive and Tactile Sensing [42.27572349747162]
  本研究では,空中すべり作業に対する学習に基づく適応制御手法を提案する。 提案するコントローラ構造は,データ駆動制御とモデルベース制御を組み合わせたものである。 美術品間相互作用制御手法の微調整状態と比較して,追従誤差の低減と外乱拒否の改善を実現した。
  論文  参考訳（メタデータ） (2022-06-28T16:28:59Z)
• Learning Pneumatic Non-Prehensile Manipulation with a Mobile Blower [30.032847855193864]
  管制官は 常に 行動の予期せぬ変化に 適応しなければならない。 本稿では,空間行動マップフレームワークのマルチ周波数バージョンを紹介する。 これにより、高レベルの計画と低レベルのクローズドループ制御を効果的に組み合わせたビジョンベースのポリシーの効率的な学習が可能になる。
  論文  参考訳（メタデータ） (2022-04-05T17:55:58Z)
• Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
  本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。 連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。 我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
  論文  参考訳（メタデータ） (2021-11-15T18:50:04Z)
• OSCAR: Data-Driven Operational Space Control for Adaptive and Robust Robot Manipulation [50.59541802645156]
  オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。 本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。 本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2021-10-02T01:21:38Z)
• ReLMoGen: Leveraging Motion Generation in Reinforcement Learning for Mobile Manipulation [99.2543521972137]
  ReLMoGenは、サブゴールを予測するための学習されたポリシーと、これらのサブゴールに到達するために必要な動作を計画し実行するためのモーションジェネレータを組み合わせたフレームワークである。 本手法は,フォトリアリスティック・シミュレーション環境における7つのロボットタスクの多種多様なセットをベンチマークする。 ReLMoGenは、テスト時に異なるモーションジェネレータ間で顕著な転送可能性を示し、実際のロボットに転送する大きな可能性を示している。
  論文  参考訳（メタデータ） (2020-08-18T08:05:15Z)

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。