論文の概要: RoKON: Efficient and Adaptive Data-Enabled Predictive Control for Robotic Manipulation

• arxiv url: http://arxiv.org/abs/2610.35458v1
• Date: Mon, 26 Oct 2026 13:55:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.017512
• Title: RoKON: Efficient and Adaptive Data-Enabled Predictive Control for Robotic Manipulation
• Title（参考訳）: RoKON:ロボットマニピュレーションのための効率的かつ適応的なデータ変換予測制御
• Abstract要約: 制御問題の最小二乗構造を効率的に活用し,リアルタイム制御が可能な減衰ガウスニュートン法を提案する。 表面をブロックで押すフランカリサーチ3アームを用いて,MuJoCoにおける提案手法の追跡性能と計算適性を示す。
• 参考スコア（独自算出の注目度）: 2.414910571475855
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data-enabled predictive control has recently emerged as a promising control paradigm, enabling a transparent optimal-control formulation without the need to learn an explicit dynamics model. This paper presents a number of extensions paving the path towards its use in real-time robotics tasks. Following recent work, we utilize a nonlinear predictor based on Gaussian kernels to represent the relationship between input and output data. We propose a damped Gauss-Newton method that enables real-time control by efficiently exploiting the least-squares structure of the control problem. In addition, we introduce a hybrid buffer management strategy that incorporates informative online data while retaining relevant offline data, allowing the predictor to account for changes in the dynamics. We demonstrate the tracking performance and computational suitability of the proposed method in MuJoCo using a Franka Research 3 arm pushing a block across surface, without prior knowledge of its changing friction values.
• Abstract（参考訳）: データ対応予測制御は、最近、有望な制御パラダイムとして登場し、明示的なダイナミクスモデルを学ぶことなく、透過的な最適制御の定式化を可能にした。 本稿では,リアルタイムロボット工学の課題において,その活用に向けての道筋をたどる拡張について述べる。 最近の研究に続いて、ガウスカーネルに基づく非線形予測器を用いて、入力データと出力データの関係を表現した。 制御問題の最小二乗構造を効率的に活用し,リアルタイム制御が可能な減衰ガウスニュートン法を提案する。 さらに,関連するオフラインデータを保持しつつ,情報的オンラインデータを組み込んだハイブリッドバッファ管理戦略を導入する。 提案手法のトラッキング性能と計算適性について,Franka Research 3 アームを用いた MuJoCo で実証した。

関連論文リスト

• Mechanistic Circuit Identification for Controllable Data Generation [8.346479730119436]
  トレーニング力学に基づくデータバリュエーションと機械的解釈可能性とを結合する回路基底フレームワークを提案する。 具体的には,データ品質を3つの相補的ユーティリティ軸,学習可能性,課題,アライメントに沿って概念化する。 この能力に基づいてSAMS(Stage-Aware Mechanistic Scheduling)を導入する。
  論文  参考訳（メタデータ） (2026-08-25T04:53:19Z)
• Accelerating Sampling-Based Control via Learned Linear Koopman Dynamics [4.946483489399818]
  本稿では、複雑な非線形力学を持つシステムに対する効率的なモデル予測経路積分(MPPI)制御フレームワークを提案する。 軌道伝播に使用される非線形ダイナミクスを学習された線形深度クープマン作用素(DKO)モデルに置き換え、より高速なロールアウトとより効率的な軌道サンプリングを可能にする。 コントローラはMPPI-DKと呼ばれ、四足歩行ロボットの基準追跡実験を通じてハードウェア上で検証される。
  論文  参考訳（メタデータ） (2026-03-05T17:15:52Z)
• Neural Conformal Control for Time Series Forecasting [54.96087475179419]
  非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。 提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。 予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
  論文  参考訳（メタデータ） (2024-12-24T03:56:25Z)
• Tuning Legged Locomotion Controllers via Safe Bayesian Optimization [47.87675010450171]
  本稿では,ロボットハードウェアプラットフォームにおけるモデルベースコントローラの展開を効率化するための,データ駆動型戦略を提案する。 モデルフリーな安全な学習アルゴリズムを用いて制御ゲインのチューニングを自動化し、制御定式化で使用される単純化されたモデルと実システムとのミスマッチに対処する。
  論文  参考訳（メタデータ） (2023-06-12T13:10:14Z)
• Value function estimation using conditional diffusion models for control [62.27184818047923]
  拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。 拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。 本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
  論文  参考訳（メタデータ） (2023-06-09T18:40:55Z)
• Data efficient reinforcement learning and adaptive optimal perimeter control of network traffic dynamics [0.0]
  本研究は、適応最適周波制御のためのマクロトラフィックダイナミクスの学習のための積分強化学習(IRL)に基づくアプローチを提案する。 サンプリングの複雑さを低減し、利用可能なデータをより効率的に利用するために、IRLアルゴリズムに経験再生(ER)技術を導入している。 IRLに基づくアルゴリズムの収束と制御された交通力学の安定性は、リャプノフ理論によって証明される。
  論文  参考訳（メタデータ） (2022-09-13T04:28:49Z)
• Stochastic Deep Model Reference Adaptive Control [9.594432031144715]
  本稿では,ディープニューラルネットワークを用いたモデル参照適応制御を提案する。 Deep Model Reference Adaptive Controlは、DNNモデルの出力層重みをリアルタイムに適応させるために、リアプノフ法を用いる。 データ駆動型教師付き学習アルゴリズムは、内部層パラメータの更新に使用される。
  論文  参考訳（メタデータ） (2021-08-04T14:05:09Z)
• Safe and Efficient Model-free Adaptive Control via Bayesian Optimization [39.962395119933596]
  適応制御のための純粋データ駆動型モデルフリーアプローチを提案する。 システムデータのみに基づく低レベルコントローラのチューニングは、アルゴリズムの安全性と計算性能に懸念を生じさせる。 我々は,提案手法がサンプル効率であり,安全性の観点から制約ベイズ最適化よりも優れており,グリッド評価によって計算された性能オプティマを達成することを数値的に示す。
  論文  参考訳（メタデータ） (2021-01-19T19:15:00Z)
• The Impact of Data on the Stability of Learning-Based Control- Extended Version [63.97366815968177]
  本稿では,Lyapunovをベースとした,認証制御性能に対するデータの影響の定量化手法を提案する。 ガウス過程を通じて未知系の力学をモデル化することにより、モデルの不確実性と安定性条件の満足度の間の相互関係を決定できる。
  論文  参考訳（メタデータ） (2020-11-20T19:10:01Z)

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。