論文の概要: Heavy Metal Acrobatics: Learning Dynamic Control for Skid-Steer Loaders
- arxiv url: http://arxiv.org/abs/2611.18365v1
- Date: Fri, 13 Nov 2026 16:13:08 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-16 19:25:10.472909
- Title: Heavy Metal Acrobatics: Learning Dynamic Control for Skid-Steer Loaders
- Title(参考訳): 重金属アクロバティックス:スキッドステアローダの動的制御の学習
- Abstract要約: シミュレーションにおけるacRLは、学習したポリシーをシミュレーションから現実に伝達することで、アクロバティックな操作をうまく自動化できることを示す。
運用中の5トンのスキッドステアローダであるJohn Deere 332G上で、自律的なアクロバティックな操作を行うためのポリシーを訓練しました。
- 参考スコア(独自算出の注目度): 28.213838381983066
- License:
- Abstract: Automation of heavy machinery offers the opportunity to improve productivity in mechanized industries such as construction, mining, and material handling. Yet, automation of such machines is challenged by their complex dynamics, in part because of hydraulic actuation that involves fluids, flexible elements, and nonlinear delays. A concomitant challenge is the size and weight of these machines, which can make experiments on the physical systems exceedingly dangerous. Here, we show that \ac{RL} in simulation, followed by transfer of the learned policies from simulation to reality, can successfully automate acrobatic maneuvers that push a heavy construction machine to the limits of its actuation and have only previously been accomplished by a small number of elite human operators in official world-record performances. We trained policies that perform autonomous acrobatic maneuvers on a John Deere 332G, an operational 5-tonne skid-steer loader. The policies can autonomously swing the machine up onto two wheels and, while balancing on two wheels, drive over rough terrain, trace out specified trajectories, spin around, and swing the bucket back and forth before landing it safely back onto four wheels. This work demonstrates that \ac{RL} and sim-to-real transfer enable dynamic autonomous control of heavy machinery, directly contributing to greater automation in heavy equipment sectors. Videos: https://sites.google.com/leggedrobotics.com/heavy-metal-acrobatics This is the author's version of the work. It is posted here by permission of the AAAS for personal use, not for redistribution. The definitive version was published in Science Robotics on 11 November 2026, DOI: https://doi.org/10.1126/scirobotics.aef0894
- Abstract(参考訳): 重機械の自動化は、建設、鉱業、物質処理といった機械産業の生産性を向上させる機会を提供する。
しかし、そのような機械の自動化は、流体、柔軟な要素、非線形遅延を含む油圧アクチュエーターが原因で、複雑な力学によって挑戦されている。
これらの機械のサイズと重量は、物理的システムの実験を非常に危険なものにする。
ここでは, シミュレーションにおける \ac{RL} と, 学習した方針をシミュレーションから現実へ伝達することで, 重機を作動限界まで押し上げるアクロバティックな操作の自動化を成功させることができることを示す。
運用中の5トンのスキッドステアローダであるJohn Deere 332G上で、自律的なアクロバティックな操作を行うためのポリシーを訓練しました。
このポリシーは、マシンを2つの車輪に自動で揺動させ、2つの車輪のバランスを保ちながら、荒れた地形を走り抜け、特定の軌道を辿り、回転し、バケツを前後に振って4つの車輪に安全に着陸させる。
この研究は、hac{RL} とsim-to-real 転送が重機を動的に自律的に制御し、重機セクターの自動化に直接貢献することを示した。
ビデオ:https://sites.google.com/leggedrobotics.com/heavy-metal-acrobatics これは著者のバージョンである。
個人使用のためにAAASの許可を得て、再配布のためではなく、ここで掲示される。
決定的なバージョンは2026年11月11日にScience Roboticsで https://doi.org/10.1126/scirobotics.aef0894 として発表された。
関連論文リスト
- Sim-to-Real Transfer for Muscle-Actuated Robots via Generalized Actuator Networks [53.12548325396181]
柔らかい筋肉のアクティベーションと組み合わせたテンドンドライブは、より速く、より安全なロボットを可能にする。
この複雑なアクチュエータのニューラルネットワークモデルを学習するsim-to-realパイプラインを提案する。
我々は,完全にシミュレーションで訓練された,正確なゴール獲得とダイナミック・ボール・イン・カップ・ポリシーの展開に成功した。
論文 参考訳(メタデータ) (2026-04-10T16:52:54Z) - GRoQ-LoCO: Generalist and Robot-agnostic Quadruped Locomotion Control using Offline Datasets [0.8678250057211367]
GRoQ-LoCOはスケーラブルで注目度の高いフレームワークで、複数の四足歩行ロボットと地形をまたいだ1つの汎用的なロコモーションポリシーを学習する。
我々のフレームワークは、ロボット固有のエンコーディングを組み込まずに、すべてのロボットからの保護的データのみを運用する。
その結果、オフラインでデータ駆動学習により、様々な4つの形態や行動にまたがる移動を一般化する可能性が示された。
論文 参考訳(メタデータ) (2025-05-16T08:17:01Z) - Physical Simulation for Multi-agent Multi-machine Tending [11.017120167486448]
強化学習(RL)は,ロボットが環境とのインタラクションを通じて学習できる,有望なソリューションを提供する。
我々は、シンプルなロボットシステムを活用して、製造環境で大きな高価なロボットをデプロイすることなく、RLと“リアル”なデータで作業しました。
論文 参考訳(メタデータ) (2024-10-11T17:57:44Z) - Reinforcement Learning for Versatile, Dynamic, and Robust Bipedal Locomotion Control [106.32794844077534]
本稿では,二足歩行ロボットのための動的移動制御系を構築するために,深層強化学習を用いた研究について述べる。
本研究では、周期歩行やランニングから周期ジャンプや立位に至るまで、様々な動的二足歩行技術に使用できる汎用的な制御ソリューションを開発する。
この研究は、二足歩行ロボットの俊敏性の限界を、現実世界での広範な実験を通じて押し上げる。
論文 参考訳(メタデータ) (2024-01-30T10:48:43Z) - Automated Gait Generation For Walking, Soft Robotic Quadrupeds [6.005998680766498]
ソフトアクチュエータの非線形ダイナミクスと高次元入力空間のため,ソフトロボットの歩行生成は困難である。
本稿では, 自己生成型ソフトロボット歩行のためのサンプル効率, シミュレーションフリーの手法を提案する。
これはソフトロボットにおける完全に自律的な歩行生成の最初のデモンストレーションである。
論文 参考訳(メタデータ) (2023-09-30T21:31:30Z) - Learning Bipedal Walking for Humanoids with Current Feedback [5.429166905724048]
アクチュエータレベルでの不正確なトルクトラッキングから生じるヒューマノイドロボットのシム2リアルギャップ問題を克服するためのアプローチを提案する。
提案手法は、実際のHRP-5Pヒューマノイドロボットに展開して二足歩行を実現するシミュレーションにおいて、一貫したエンドツーエンドのポリシーをトレーニングする。
論文 参考訳(メタデータ) (2023-03-07T08:16:46Z) - GenLoco: Generalized Locomotion Controllers for Quadrupedal Robots [87.32145104894754]
四足歩行ロボットのための汎用ロコモーション(GenLoco)コントローラを訓練するためのフレームワークを提案する。
本フレームワークは,多種多様な四足歩行ロボットに展開可能な汎用ロコモーションコントローラを合成する。
我々のモデルは、より一般的な制御戦略を取得し、新しいシミュレーションロボットや実世界のロボットに直接移行できることを示す。
論文 参考訳(メタデータ) (2022-09-12T15:14:32Z) - 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) - Learning Quadrupedal Locomotion over Challenging Terrain [68.51539602703662]
足の移動はロボティクスの操作領域を劇的に拡張することができる。
足の移動のための従来のコントローラーは、運動プリミティブと反射の実行を明示的にトリガーする精巧な状態マシンに基づいている。
ここでは、自然環境に挑戦する際の足の移動に対して、徹底的に頑健な制御器を提案する。
論文 参考訳(メタデータ) (2020-10-21T19:11:20Z)
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。