論文の概要: Curriculum-Driven Deep Reinforcement Learning for Autonomous Far-Range Rocket Landing
- arxiv url: http://arxiv.org/abs/2610.35954v1
- Date: Sat, 24 Oct 2026 19:57:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-28 21:04:31.370146
- Title: Curriculum-Driven Deep Reinforcement Learning for Autonomous Far-Range Rocket Landing
- Title（参考訳）: 自動遠距離ロケットランディングのためのカリキュラム駆動型深部強化学習
- Abstract要約: 本稿では,遠距離航法と高精度着陸の両方を習得するための総合的なカリキュラム駆動型深部強化学習フレームワークを提案する。
計算処理の不要なオーバーヘッドを低減し、以前の定式化の限界に対処する再設計された報酬関数を導入する。
利用可能な10万回の結果は、提案された政策の99.98%の成功率、評価条件下でのベースラインの68.31%を報告している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous vertical landing of reusable launch vehicles is a critical yet formidable challenge in aerospace engineering, primarily due to highly nonlinear dynamics, stringent precision require- ments, and inherent environmental uncertainties. While reinforcement learning (RL) has emerged as a promising alternative to traditional model-based control, existing approaches frequently rely on flat training paradigms and highly simplified initial conditions, drastically limiting their real-world applicability. This paper proposes a comprehensive curriculum-driven deep reinforcement learning framework designed to master both far-range navigation and precision landing. By employing a three-stage curriculum augmented with a critic warm-up procedure and a rehearsal mechanism to prevent catastrophic forgetting, alongside a high-dimensional observation vector utilizing a full 3 X 3 rotation-matrix, the agent is trained to navigate from an initial horizontal distance of 1,000 to 1,500 units vastly farther than prior benchmarks before executing a soft touchdown. Crucially, we intro- duce a redesigned reward function that reduces unnecessary computational overhead and addresses limitations of earlier formulations, including poorly calibrated reward components and potentially conflicting optimization objectives. The redesigned function bounds the per-step reward magnitude by (O(1)), while its progress term accumulates the total distance closed over the trajectory. The available 100,000-episode results report a 99.98% success rate for the proposed policy and 68.31% for the baseline under the evaluation conditions. In the evaluation, the proposed policy retained 69.1% of its initial fuel capacity and achieved a mean final distance from the pad centre of 7.07 units, compared with 13.10 units for the baseline. Landing visualizations are available in Video 1 and Video 2.
- Abstract（参考訳）: 再利用可能なロケットの自律的な垂直着陸は、高度に非線形なダイナミクス、厳密な精度の要求要素、そして固有の環境の不確実性により、航空宇宙工学において重要な課題である。
強化学習(RL)は従来のモデルベースの制御に代わる有望な代替手段として現れてきたが、既存のアプローチはしばしばフラットなトレーニングパラダイムと高度に単純化された初期条件に依存しており、実際の適用性を大幅に制限している。
本稿では,遠距離航法と高精度着陸の両方を習得するための総合的なカリキュラム駆動型深部強化学習フレームワークを提案する。
フル3X3回転行列を利用した高次元観察ベクトルとともに、批判的ウォームアップ手順と破滅的忘れを防止するリハーサル機構を付加した3段階のカリキュラムを用いて、ソフトタッチダウンを実行する前に、エージェントは、以前のベンチマークよりも1,000〜1500ユニット遠い初期水平距離からナビゲートするように訓練される。
重要なことに、我々は不必要な計算オーバーヘッドを減らし、未調整の報酬成分や潜在的に矛盾する最適化目的を含む、以前の定式化の制限に対処する再設計された報酬関数を創出する。
再設計された関数はステップごとの報酬の大きさを(O(1))で制限し、その進行項は軌道上の閉距離を蓄積する。
利用可能な10万回の結果は、提案された政策の99.98%の成功率、評価条件下でのベースラインの68.31%を報告している。
評価では、提案された方針は、最初の燃料容量の69.1%を保持し、ベースラインの13.10ユニットと比較して、パッド中央から7.07ユニットの平均的な最終距離を達成した。
ランディングビジュアライゼーションは、Video 1とVideo 2で利用可能だ。
関連論文リスト
- Trust-Calibrated VLA Policy Post-Training with Evolving Imagination [60.998903003181006]
既存の改善パラダイムは信頼性と効率性の緊張を露呈する。
本稿では,モデル進化強化学習(MERL, Model-Evolving Reinforcement Learning)を提案する。
摂動型LIBERO-PROタスクでは、MERLは平均79.7%の成功を達成し、マッチしたモデルフリー制御よりも10.9%の高閾値学習速度を向上し、同じプロトコール外部ベースラインを上回っている。
論文 参考訳（メタデータ） (2026-10-12T10:08:28Z) - Reachability-Informed Reinforcement Learning for Multi-Impulse Interplanetary Transfers [0.0]
本稿では,惑星間移動決定のための到達可能性解析インフォームド強化学習について述べる。
学習された意思決定プロセスの中心に中間的な経路選択を配置する。
平均演算コストは10.23 km/sで、検証済みの局所凸プログラミング基準より1.72%高い。
論文 参考訳（メタデータ） (2026-10-01T09:16:52Z) - AquaOrbit: Sim-to-Real Reinforcement Learning for Underwater Target Orbiting under Intermittent Visual Feedback [51.92060148406936]
間欠的な視覚的損失は、水中周回中の目標相対的なフィードバックを妨害する。
AquaOrbitは、水中の目標軌道を周回するリカバリモジュールを備えた強化学習用コントローラである。
論文 参考訳（メタデータ） (2026-09-21T03:29:45Z) - Anticipatory Reinforcement Learning for Trajectory Tracking [0.40831821256838124]
DRL状態空間を目標速度と将来の基準地平線で拡張する予測定式化を導入する。
その結果、9倍の誤差が減少し、平均絶対偏差は2.73から0.31に低下した。
より単純な1つのルックアヘッド水平線を用いた構成は、最も複雑なモデルの実際のトップパフォーマンスと一致した。
論文 参考訳（メタデータ） (2026-07-03T09:21:16Z) - Intent-aligned Autonomous Spacecraft Guidance via Reasoning Models [4.254099382808598]
本稿では,高レベル推論と安全な軌道最適化を結びつける意図整合型宇宙船誘導フレームワークを提案する。
ファンデーションモデルは、まず意図に沿った行動計画を予測し、その後、ウェイポイント生成モデルをウェイポイント制約に変換し、安全な軌道を最適化して計算する。
論文 参考訳（メタデータ） (2026-04-19T00:25:54Z) - TransCurriculum: Multi-Dimensional Curriculum Learning for Fast & Stable Locomotion [50.54752207285298]
TransCurriculumは、アジャイル四足歩行のためのトランスフォーマーベースの多次元カリキュラム学習アプローチである。
シミュレーションでは,Unitree Go1ロボットに対するアプローチを検証し,Go1ハードウェア上でゼロショットでデプロイする。
論文 参考訳（メタデータ） (2026-03-14T23:44:42Z) - Perception-Aware Time-Optimal Planning for Quadrotor Waypoint Flight [25.084985306310827]
本稿では,視覚に基づく四元数に対する時間-最適軌道最適化フレームワークを提案する。
知覚制約を完全な非線形力学、ローターの作動制限、空力効果、カメラの視野制約、凸幾何学ゲート表現と組み合わせる。
実験では、実際の飛行速度は9.8m/s、平均追跡誤差は0.07m、クローズドループの成功率は55%から100%に向上した。
論文 参考訳（メタデータ） (2026-03-04T17:22:16Z) - Self-Correcting VLA: Online Action Refinement via Sparse World Imagination [55.982504915794514]
本稿では, 自己補正VLA (SC-VLA) を提案する。
SC-VLAは最先端のパフォーマンスを達成し、最高タスクスループットを16%削減し、最高パフォーマンスのベースラインよりも9%高い成功率を得る。
論文 参考訳（メタデータ） (2026-02-25T06:58:06Z) - Alpamayo-R1: Bridging Reasoning and Action Prediction for Generalizable Autonomous Driving in the Long Tail [85.47497935739936]
Alpamayo-R1 (AR1) は、因果推論の連鎖と軌道計画を統合する視覚言語モデルである。
また,AR1は,軌道のみのベースラインに比べて,難問の計画精度が12%向上することを示した。
今後のアップデートで、AR1モデルとCoCのサブセットをリリースする予定です。
論文 参考訳（メタデータ） (2025-10-30T01:25:34Z) - Reinforcement Learning for Low-Thrust Trajectory Design of
Interplanetary Missions [77.34726150561087]
本稿では, 惑星間軌道のロバスト設計における強化学習の適用について検討する。
最先端アルゴリズムのオープンソース実装が採用されている。
その結果得られた誘導制御ネットワークは、堅牢な名目的軌道と関連する閉ループ誘導法の両方を提供する。
論文 参考訳（メタデータ） (2020-08-19T15:22:15Z)
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。