論文の概要: Explore Where It Matters: Targeted Exploration for Efficient Rover Adaptation

• arxiv url: http://arxiv.org/abs/2610.38657v1
• Date: Wed, 28 Oct 2026 18:41:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.397784
• Title: Explore Where It Matters: Targeted Exploration for Efficient Rover Adaptation
• Title（参考訳）: どこに重要かを探る:効率的なローバー適応のための探索を目標に
• Abstract要約: 将来の惑星探査機は、滑り、沈み込み、地形の変形が移動を脅かすような急勾配で変形可能な地形を横切る。 本稿では,タスク関連モデルエラーを効果的に暴露するデプロイメントデータを求める,オンライン適応フレームワークであるTERRAを紹介する。 シミュレーションでは、TERRAは厳しいアウト・オブ・ディストリビューション事前訓練条件下で5回の試験で約90%の傾斜クライミング成功を達成した。
• 参考スコア（独自算出の注目度）: 4.040971061953544
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Future planetary rovers will traverse steep, deformable terrain where slip, sinkage, and terrain deformation can threaten mobility. Although simulation can capture some wheel-soil effects, unmodeled deformable-terrain phenomena create sim-to-real gaps requiring deployment-time adaptation. Yet, rover operations leave little room for extensive trial-and-error. We introduce TERRA (Targeted Exploration for Reward-Relevant Adaptation), an online adaptation framework that efficiently seeks deployment data exposing task-relevant model errors and corrects them. TERRA adapts a simulation-trained world model with a reward-weighted prediction loss and trains a loss predictor to estimate where future performance-relevant errors are likely to occur, using this signal to guide exploration during MPC. In simulation, TERRA reaches approximately 90% slope-climbing success within five trials under severe out-of-distribution pretraining conditions, outperforming exploration baselines in reward, completion time, and energy to first success. On the ERNEST rover, TERRA recovers coordinated active-suspension locomotion on a deformable Mars-simulant slope within three to five real-world trials. Project website: https://terra-explore.github.io
• Abstract（参考訳）: 将来の惑星探査機は、滑り、沈み込み、地形の変形が移動を脅かすような急勾配で変形可能な地形を横切る。 シミュレーションは車輪と土の効果を捉えることができるが、非モデル化された変形可能なテランの現象は、展開時適応を必要とするシミュレーションから現実のギャップを生み出す。 しかし、ローバーの運用は大規模な試行錯誤の余地がほとんどない。 TERRA(Targeted Exploration for Reward-Relevant Adaptation)は,タスク関連モデルエラーを効率よく検出し,修正するオンライン適応フレームワークである。 TERRAは、報酬重み付き予測損失を持つシミュレーショントレーニングされた世界モデルを適用し、損失予測器を訓練し、将来のパフォーマンス関連エラーの発生確率を推定し、この信号を用いてMPC中の探索をガイドする。 シミュレーションでは、TERRAは5回の試験で約90%の傾斜上昇に成功した。 ERNESTのローバーでは、TERRAは3から5つの現実世界での試験で変形可能な火星シミュレーションの斜面で、協調したアクティブ・サスペンション・ロコモーションを回収する。 プロジェクトウェブサイト:https://terra-explore.github.io

関連論文リスト

• MILD: Tractable Terrain Modeling for Learning Improved Bipedal Locomotion on Deformable Surfaces [27.312811759047023]
  物理地上の離散要素接触解法を特徴とするMILDについて述べる。 我々は、深い強化学習を通して地形認識コントローラを訓練する。 本システムでは,様々な表面硬さのオンライン識別と適応性を実証する。
  論文  参考訳（メタデータ） (2026-08-20T12:24:34Z)
• Terrain-Adaptive Grouser Wheel for Optimal Planetary Exploration: Design and Experimental Investigation [0.8594140167290097]
  [匿名化ロボット名]は、地形順応のために、溝の高さを連続的に調整できる車輪である。 750の実験の結果、適応的な展開はスリップを30.0--58.0%減少させることを示した。 全地形にわたって滑りを最小化せず、固定輪システムの限界を暗示した。
  論文  参考訳（メタデータ） (2026-05-23T00:37:44Z)
• Data-Driven Terramechanics Approach Towards a Realistic Real-Time Simulator for Lunar Rovers [2.741208189962245]
  月面の高忠実度シミュレータは、ローバー操作とミッション計画の広範なテストのためのデジタル環境を提供する。 現在のシミュレーターは視覚的リアリズムか物理的精度に重点を置いており、月面条件を包括的に再現する能力を制限する。 この研究は、月面上のローバーのリアルな表現のために、高い視覚的忠実度と現実的な地形相互作用を組み合わせることで、そのギャップに対処する。
  論文  参考訳（メタデータ） (2026-01-08T03:23:31Z)
• Mitigating Covariate Shift in Imitation Learning for Autonomous Vehicles Using Latent Space Generative World Models [60.87795376541144]
  World Model(ワールドモデル)は、エージェントの次の状態を予測できるニューラルネットワークである。 エンド・ツー・エンドのトレーニングでは、人間のデモで観察された状態と整合してエラーから回復する方法を学ぶ。 クローズドループ試験における先行技術に有意な改善がみられた定性的,定量的な結果を示す。
  論文  参考訳（メタデータ） (2024-09-25T06:48:25Z)
• ReGentS: Real-World Safety-Critical Driving Scenario Generation Made Stable [88.08120417169971]
  機械学習に基づく自律運転システムは、現実世界のデータでは稀な安全クリティカルなシナリオで課題に直面していることが多い。 この研究は、軌道最適化によって複雑な現実世界の通常のシナリオを変更することによって、安全クリティカルな運転シナリオを生成することを検討する。 提案手法は、頑健なプランナーの訓練には役に立たない非現実的な発散軌道と避けられない衝突シナリオに対処する。
  論文  参考訳（メタデータ） (2024-09-12T08:26:33Z)
• LROC-PANGU-GAN: Closing the Simulation Gap in Learning Crater Segmentation with Planetary Simulators [5.667566032625522]
  外国の惑星体への探査機の着陸は、危険を確実に識別し、避けることが重要である。 この問題に対するディープラーニングの最近の応用は有望な結果を示している。 しかしながら、これらのモデルは、注釈付きデータセットに対する明確な監督によってしばしば学習される。 本稿では,ラベルの忠実さを維持しつつ,この「現実主義」のギャップを埋めるシステムを提案する。
  論文  参考訳（メタデータ） (2023-10-04T12:52:38Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• You Only Crash Once: Improved Object Detection for Real-Time, Sim-to-Real Hazardous Terrain Detection and Classification for Autonomous Planetary Landings [7.201292864036088]
  危険地を検出するための安価で効果的な方法は、視覚カメラを使用することである。 視覚的危険地形検出の伝統的な技術は、テンプレートマッチングと事前構築されたハザードマップへの登録に焦点を当てている。 深層学習に基づく視覚的危険地形検出と分類技術であるYou Only Crash Once (YOCO)を紹介した。
  論文  参考訳（メタデータ） (2023-03-08T21:11:51Z)

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。