ArticuBot: Learning Universal Articulated Object Manipulation Policy via Large Scale Simulation

投稿日: 2025年5月5日 作成者: jarxiv

要約

この論文では、ArticuBotを紹介する。ArticuBotは、単一の学習されたポリシーにより、ロボットシステムが実世界で未見の多様な関節オブジェクトのカテゴリを開くことを可能にする。このタスクは、そのような物体の形状、大きさ、関節の種類に大きなばらつきがあるため、ロボット工学にとって長い間困難であった。私たちのシステムArticubotは3つの部分から構成されている。物理ベースのシミュレーションで多数のデモンストレーションを生成すること、模倣学習によって生成されたすべてのデモンストレーションを点群ベースのニューラルポリシーに抽出すること、そして実際のロボットシステムへのゼロショットsim2real転送を実行することである。サンプリングに基づく把持と運動計画を利用することで、我々のデモ汎化パイプラインは高速かつ効果的であり、322個の訓練用多関節物体に対して合計42.3k個のデモを生成した。政策学習のために、我々は新しい階層的政策表現を提案し、高レベル政策はエンドエフェクタのサブゴールを学習し、低レベル政策は予測されたゴールを条件としてエンドエフェクタをどのように動かすかを学習する。我々は、この階層的アプローチが、非階層的バージョンと比較して、はるかに優れたオブジェクトレベルの汎化を達成することを実証する。さらに、シーンの既存の3D構造に予測を根拠づける、高レベルのポリシーのための新しい重み付き変位モデルを提案し、代替のポリシー表現を凌駕する。我々は、学習された方針が、3つの異なる実際のロボット設定にゼロショット転送できることを示す：2つの異なる研究室にわたる固定テーブルトップフランカアーム、移動ベース上のXアーム、2つの研究室にわたる複数の未知の多関節オブジェクトを開く、実際のラウンジ、キッチン。動画とコードはプロジェクトのウェブサイトhttps://articubot.github.io/。

要約(オリジナル)

This paper presents ArticuBot, in which a single learned policy enables a robotics system to open diverse categories of unseen articulated objects in the real world. This task has long been challenging for robotics due to the large variations in the geometry, size, and articulation types of such objects. Our system, Articubot, consists of three parts: generating a large number of demonstrations in physics-based simulation, distilling all generated demonstrations into a point cloud-based neural policy via imitation learning, and performing zero-shot sim2real transfer to real robotics systems. Utilizing sampling-based grasping and motion planning, our demonstration generalization pipeline is fast and effective, generating a total of 42.3k demonstrations over 322 training articulated objects. For policy learning, we propose a novel hierarchical policy representation, in which the high-level policy learns the sub-goal for the end-effector, and the low-level policy learns how to move the end-effector conditioned on the predicted goal. We demonstrate that this hierarchical approach achieves much better object-level generalization compared to the non-hierarchical version. We further propose a novel weighted displacement model for the high-level policy that grounds the prediction into the existing 3D structure of the scene, outperforming alternative policy representations. We show that our learned policy can zero-shot transfer to three different real robot settings: a fixed table-top Franka arm across two different labs, and an X-Arm on a mobile base, opening multiple unseen articulated objects across two labs, real lounges, and kitchens. Videos and code can be found on our project website: https://articubot.github.io/.

arxiv情報

著者 Yufei Wang,Ziyu Wang,Mino Nakura,Pratik Bhowal,Chia-Liang Kuo,Yi-Ting Chen,Zackory Erickson,David Held
発行日 2025-05-01 21:26:22+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, DeepL

カテゴリー: cs.AI, cs.LG, cs.RO | ArticuBot: Learning Universal Articulated Object Manipulation Policy via Large Scale Simulation はコメントを受け付けていません

IK Seed Generator for Dual-Arm Human-like Physicality Robot with Mobile Base

投稿日: 2025年5月5日 作成者: jarxiv

要約

ロボットは人間の仕事を代替する手段として強く期待されている。ロボットが人間に近い身体性を持てば、人間の仕事を代替できる可能性が高まる。家事支援ロボットの場合、使用環境において人間と共存するためには、過度に大型化しないよう人間に近いサイズであることが望ましい。しかし、大きさに制約のあるロボットは、関節角度の制約などの機械的な制約から、逆運動学（IK）を解くことが困難になりがちです。逆に言えば、この制約からくる困難さを軽減できれば、そのようなロボットの利用価値が高まることが期待できる。自由度の高いロボットによく用いられる数値IKソルバーでは、IKの解法がソルバーに与える初期推測に依存する。そこで本論文では、数値IKソルバーに対して、目標とするハンドの形状が与えられた場合に、良好な初期推測を生成する方法を提案する。そのために、関節限界を考慮した操作性指標を計算できるスケーリングヤコビアン行列を用いて初期推測の良し悪しを定義する。この2つの要素はIKを解く難易度に関係する。遺伝的アルゴリズム(GA)を用いて良し悪しを最適化し、初期推測値を生成する。IK解の可能性を列挙するために、アームベース座標系におけるロボットハンドの到達可能領域を表す到達可能性マップを用いる。定量的な評価を行い、Goodness値を用いてより良いと判断された初期推測を用いることで、IKが解決される確率が増加することを証明する。最後に、提案手法の応用として、IKのための良い初期推測を生成することにより、ロボットが実際に3つの典型的なシナリオを達成することを示す。

要約(オリジナル)

Robots are strongly expected as a means of replacing human tasks. If a robot has a human-like physicality, the possibility of replacing human tasks increases. In the case of household service robots, it is desirable for them to be on a human-like size so that they do not become excessively large in order to coexist with humans in their operating environment. However, robots with size limitations tend to have difficulty solving inverse kinematics (IK) due to mechanical limitations, such as joint angle limitations. Conversely, if the difficulty coming from this limitation could be mitigated, one can expect that the use of such robots becomes more valuable. In numerical IK solver, which is commonly used for robots with higher degrees-of-freedom (DOF), the solvability of IK depends on the initial guess given to the solver. Thus, this paper proposes a method for generating a good initial guess for a numerical IK solver given the target hand configuration. For the purpose, we define the goodness of an initial guess using the scaled Jacobian matrix, which can calculate the manipulability index considering the joint limits. These two factors are related to the difficulty of solving IK. We generate the initial guess by optimizing the goodness using the genetic algorithm (GA). To enumerate much possible IK solutions, we use the reachability map that represents the reachable area of the robot hand in the arm-base coordinate system. We conduct quantitative evaluation and prove that using an initial guess that is judged to be better using the goodness value increases the probability that IK is solved. Finally, as an application of the proposed method, we show that by generating good initial guesses for IK a robot actually achieves three typical scenarios.

arxiv情報

著者 Jun Takamatsu,Atsushi Kanehira,Kazuhiro Sasabuchi,Naoki Wake,Katsushi Ikeuchi
発行日 2025-05-01 21:33:23+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, DeepL

カテゴリー: cs.AI, cs.RO | IK Seed Generator for Dual-Arm Human-like Physicality Robot with Mobile Base はコメントを受け付けていません

Closed-Loop Long-Horizon Robotic Planning via Equilibrium Sequence Modeling

投稿日: 2025年5月5日 作成者: jarxiv

要約

自律型ロボットに行動を起こさせる試みにおいて、タスクプランニングは大きな課題であり、高レベルのタスク記述を長期的な行動シーケンスに変換する必要がある。近年の言語モデルエージェントの進歩にもかかわらず、言語モデルエージェントは依然としてプランニングエラーを起こしやすく、先の計画を立てる能力に限界がある。このようなロボットプランニングの限界に対処するため、我々は、平衡に達するまで繰り返し計画案を改良する自己改良方式を提唱する。驚くべきことに、このプロセスは分析的観点からエンド・ツー・エンドで最適化することができ、検証者や報酬モデルを追加する必要がない。一方、環境（あるいは内部世界モデル）からの有用なフィードバックを組み込んだ効率的な閉ループプランニングのために、入れ子平衡シーケンスモデリング手順を考案する。我々の手法はVirtualHome-Envベンチマークで評価され、推論時間計算のスケーリングが改善された高度な性能を示す。コードはhttps://github.com/Singularity0104/equilibrium-planner。

要約(オリジナル)

In the endeavor to make autonomous robots take actions, task planning is a major challenge that requires translating high-level task descriptions to long-horizon action sequences. Despite recent advances in language model agents, they remain prone to planning errors and limited in their ability to plan ahead. To address these limitations in robotic planning, we advocate a self-refining scheme that iteratively refines a draft plan until an equilibrium is reached. Remarkably, this process can be optimized end-to-end from an analytical perspective without the need to curate additional verifiers or reward models, allowing us to train self-refining planners in a simple supervised learning fashion. Meanwhile, a nested equilibrium sequence modeling procedure is devised for efficient closed-loop planning that incorporates useful feedback from the environment (or an internal world model). Our method is evaluated on the VirtualHome-Env benchmark, showing advanced performance with improved scaling w.r.t. inference-time computation. Code is available at https://github.com/Singularity0104/equilibrium-planner.

arxiv情報

著者 Jinghan Li,Zhicheng Sun,Yadong Mu
発行日 2025-05-01 22:02:39+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, DeepL

カテゴリー: cs.LG, cs.RO | Closed-Loop Long-Horizon Robotic Planning via Equilibrium Sequence Modeling はコメントを受け付けていません

Learning Neural Control Barrier Functions from Offline Data with Conservatism

投稿日: 2025年5月5日 作成者: jarxiv

要約

安全フィルタ、特に制御バリア関数に基づく安全フィルタは、力学系の安全制御のための効果的なツールとして関心が高まっている。しかし、既存の正しい合成アルゴリズムは、次元の呪いに悩まされている。この課題を解決するために、近年ディープラーニングのアプローチが提案されている。本稿では、オフラインデータセットから制御バリア関数を学習するアルゴリズムを提案することで、この研究に貢献する。我々のアルゴリズムは、システムが安全でない状態に到達するのを防ぐだけでなく、フィルタが信頼できなくなるような分布外の状態に到達するのも防ぐようにフィルタを訓練する。このアルゴリズムは、オフライン強化学習アルゴリズムである保守的Q学習（Conservative Q-learning）にインスパイアされている。我々はその出力をCCBF（Conservative Control Barrier Functions）と呼ぶ。我々の実証結果は、CCBFが、タスク性能に最小限の影響を与えながら、安全性と分布外回避を維持することにおいて、既存の手法を凌駕することを示している。

要約(オリジナル)

Safety filters, particularly those based on control barrier functions, have gained increased interest as effective tools for safe control of dynamical systems. Existing correct-by-construction synthesis algorithms, however, suffer from the curse of dimensionality. Deep learning approaches have been proposed in recent years to address this challenge. In this paper, we contribute to this line of work by proposing an algorithm for training control barrier functions from offline datasets. Our algorithm trains the filter to not only prevent the system from reaching unsafe states but also out-of-distribution ones, at which the filter would be unreliable. It is inspired by Conservative Q-learning, an offline reinforcement learning algorithm. We call its outputs Conservative Control Barrier Functions (CCBFs). Our empirical results demonstrate that CCBFs outperform existing methods in maintaining safety and out-of-distribution avoidance while minimally affecting task performance.

arxiv情報

著者 Ihab Tabbara,Hussein Sibai
発行日 2025-05-01 23:01:03+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, DeepL

カテゴリー: cs.FL, cs.LG, cs.RO, cs.SY, eess.SY | Learning Neural Control Barrier Functions from Offline Data with Conservatism はコメントを受け付けていません

Learning Transparent Reward Models via Unsupervised Feature Selection

投稿日: 2025年5月5日 作成者: jarxiv

要約

ロボット操作や自律走行などの複雑な実世界タスクでは、正確な学習目標やタスク記述を指定するよりも、専門家のデモンストレーションを収集する方が簡単な場合が多い。エキスパートデータからの学習は、行動クローニングや報酬関数の学習、すなわち逆強化学習によって達成することができる。後者は、推測された報酬関数に導かれながら、訓練分布外の追加データを用いた学習を可能にする。我々は、自動的に選択された状態特徴から、コンパクトで透明な報酬モデルを構築する新しいアプローチを提案する。これらの推論された報酬は明示的な形式を持ち、標準的な強化学習アルゴリズムをゼロから訓練することで、専門家の行動と密接に一致するポリシーの学習を可能にする。連続的で高次元の状態空間を持つ様々なロボット環境において、本手法の性能を検証する。ウェブページ\URL{https://sites.google.com/view/transparent-reward}.

要約(オリジナル)

In complex real-world tasks such as robotic manipulation and autonomous driving, collecting expert demonstrations is often more straightforward than specifying precise learning objectives and task descriptions. Learning from expert data can be achieved through behavioral cloning or by learning a reward function, i.e., inverse reinforcement learning. The latter allows for training with additional data outside the training distribution, guided by the inferred reward function. We propose a novel approach to construct compact and transparent reward models from automatically selected state features. These inferred rewards have an explicit form and enable the learning of policies that closely match expert behavior by training standard reinforcement learning algorithms from scratch. We validate our method’s performance in various robotic environments with continuous and high-dimensional state spaces. Webpage: \url{https://sites.google.com/view/transparent-reward}.

arxiv情報

著者 Daulet Baimukashev,Gokhan Alcan,Kevin Sebastian Luck,Ville Kyrki
発行日 2025-05-01 23:03:13+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, DeepL

カテゴリー: cs.RO | Learning Transparent Reward Models via Unsupervised Feature Selection はコメントを受け付けていません

Optimal Design of a Walking Robot: Analytical, Numerical, and Machine Learning Methods for Multicriteria Synthesis

投稿日: 2025年5月5日 作成者: jarxiv

要約

本論文では、最適な構造合成を含む歩行ロボット設計のいくつかの重要な段階を取り上げ、既存の設計に見られる実用的な限界に対処しつつ、効率性の向上と制御システムの簡素化を目的とした新しい「合理的」機械構造を導入する。本研究では、解析的手法と数値的手法を統合し、最適な脚部設計を達成するための新しい多基準合成手法の開発を含む。さらに、非ドミナント型ソート遺伝的アルゴリズムIIに基づく方法を提示する。旋回モードが研究され、一般的にパラレルマニピュレータに適用される等方性基準が初めて歩行ロボットのパラメータ最適化に使用され、全方向への最適な力と運動の伝達が保証される。表面の凹凸への適応やLiDARを用いたナビゲーションなど、ロボットのさまざまな機構の機能性を実験的に検証するために、いくつかの物理的なプロトタイプを開発した。

要約(オリジナル)

This paper addresses several critical stages of designing a walking robot, including optimal structural synthesis, introducing a novel ‘rational’ mechanical structure aimed at enhancing efficiency and simplifying control system, while addressing practical limitations observed in existing designs. The study includes development of novel multicriteria synthesis methods for achieving optimal leg design, integrating analytical and numerical methods. In addition, a method based on Non-dominated Sorting Genetic Algorithm II is presented. Turning modes are investigated, and for the first time, the isotropy criterion, typically applied to parallel manipulators, is used for optimizing walking robot parameters to ensure optimal force and motion transfer in all directions. Several physical prototypes are developed to experimentally validate the functionality of different mechanisms of the robot, including adaptation to the surface irregularities and navigation using LiDAR.

arxiv情報

著者 Arman Ibrayeva,Batyrkhan Omarov
発行日 2025-05-01 23:48:43+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, DeepL

カテゴリー: cs.RO | Optimal Design of a Walking Robot: Analytical, Numerical, and Machine Learning Methods for Multicriteria Synthesis はコメントを受け付けていません

MARS: Defending Unmanned Aerial Vehicles From Attacks on Inertial Sensors with Model-based Anomaly Detection and Recovery

投稿日: 2025年5月5日 作成者: jarxiv

要約

無人航空機（UAV）は、安定した飛行を維持するために慣性計測装置（IMU）からの計測に依存しています。しかし、IMUは音響共振や電磁干渉などの物理的な攻撃を受けやすく、その結果、UAVは即座に墜落します。その結果、UAVが慣性センサに対する敵対的な攻撃を迅速に検出し、動的な飛行回復を達成することを可能にするモデルベースの異常検出および回復システム（MARS）を紹介します。MARSは、拡張カルマンフィルタに基づく攻撃に強い状態推定器を特徴としており、位置、速度、方位、ローター速度の計測値を組み込んで、UAV制御のための正確な姿勢と角速度情報を再構築します。さらに、統計的異常検知システムがIMUセンサーデータを監視し、攻撃が検知された場合にはシステムレベルのアラートを発する。アラートを受信すると、多段階の動的飛行回復戦略により、進行中のミッションを中断し、ホバリング状態でドローンを安定させ、回復制御の下でタスクを再開する。PX4ソフトウェア・イン・ザ・ループ環境および実世界のMARS-PX4オートパイロット搭載ドローンでの実験結果は、既存のIMU防御フレームワークに対する我々のアプローチの優位性を実証し、UAVが攻撃を生き残り、ミッションを完了する能力を示している。

要約(オリジナル)

Unmanned Aerial Vehicles (UAVs) rely on measurements from Inertial Measurement Units (IMUs) to maintain stable flight. However, IMUs are susceptible to physical attacks, including acoustic resonant and electromagnetic interference attacks, resulting in immediate UAV crashes. Consequently, we introduce a Model-based Anomaly detection and Recovery System (MARS) that enables UAVs to quickly detect adversarial attacks on inertial sensors and achieve dynamic flight recovery. MARS features an attack-resilient state estimator based on the Extended Kalman Filter, which incorporates position, velocity, heading, and rotor speed measurements to reconstruct accurate attitude and angular velocity information for UAV control. Moreover, a statistical anomaly detection system monitors IMU sensor data, raising a system-level alert if an attack is detected. Upon receiving the alert, a multi-stage dynamic flight recovery strategy suspends the ongoing mission, stabilizes the drone in a hovering condition, and then resumes tasks under the resilient control. Experimental results in PX4 software-in-the-loop environments as well as real-world MARS-PX4 autopilot-equipped drones demonstrate the superiority of our approach over existing IMU-defense frameworks, showcasing the ability of the UAVs to survive attacks and complete the missions.

arxiv情報

著者 Haocheng Meng,Shaocheng Luo,Zhenyuan Liang,Qing Huang,Amir Khazraei,Miroslav Pajic
発行日 2025-05-02 00:00:02+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, DeepL

カテゴリー: cs.RO, cs.SY, eess.SY | MARS: Defending Unmanned Aerial Vehicles From Attacks on Inertial Sensors with Model-based Anomaly Detection and Recovery はコメントを受け付けていません

Autonomous Embodied Agents: When Robotics Meets Deep Learning Reasoning

投稿日: 2025年5月5日 作成者: jarxiv

要約

利用可能な計算能力の向上とディープラーニング革命により、人工知能研究における新たなトピックとフロンティアの探求が可能になった。コンピュータビジョン、ロボティクス、意思決定の交差点に位置する「具現化人工知能」と呼ばれる新しい分野は、スマートな自律型ロボットの開発と社会への展開を促進することを目的としており、ここ数年で重要性を増している。近年、フォトリアリスティックなロボットシミュレーションのための大規模な3Dモデルコレクションが利用可能になったことで、学習ベースのエージェントを数百万フレームにわたってより迅速かつ安全に訓練し、実際のロボットプラットフォームにモデルを配備する前にその挙動を慎重に評価することができるようになった。これらのインテリジェントエージェントは、おそらく未知の環境において特定のタスクを実行することを目的としています。このため、シミュレーションによるトレーニングの間、エージェントは、環境からの情報収集、タスクに有用な手がかりの符号化と抽出、最終的なゴールに向けた行動の実行など、周囲との継続的な相互作用を学習する。本論文では、屋内環境のための具現化エージェントの完全な作成プロセスを、そのコンセプトから実装、展開まで追う。我々は、この分野における将来の研究を促進するために、具現化AIと自律エージェントの研究に貢献することを目的とする。我々は、知的な具現化エージェントの実装の背後にある手順の詳細な分析を提示し、文献における現在の最新技術の徹底的な説明、提案された方法の技術的説明、および関連するロボットタスクに関する正確な実験的研究を包括する。

要約(オリジナル)

The increase in available computing power and the Deep Learning revolution have allowed the exploration of new topics and frontiers in Artificial Intelligence research. A new field called Embodied Artificial Intelligence, which places at the intersection of Computer Vision, Robotics, and Decision Making, has been gaining importance during the last few years, as it aims to foster the development of smart autonomous robots and their deployment in society. The recent availability of large collections of 3D models for photorealistic robotic simulation has allowed faster and safe training of learning-based agents for millions of frames and a careful evaluation of their behavior before deploying the models on real robotic platforms. These intelligent agents are intended to perform a certain task in a possibly unknown environment. To this end, during the training in simulation, the agents learn to perform continuous interactions with the surroundings, such as gathering information from the environment, encoding and extracting useful cues for the task, and performing actions towards the final goal; where every action of the agent influences the interactions. This dissertation follows the complete creation process of embodied agents for indoor environments, from their concept to their implementation and deployment. We aim to contribute to research in Embodied AI and autonomous agents, in order to foster future work in this field. We present a detailed analysis of the procedure behind implementing an intelligent embodied agent, comprehending a thorough description of the current state-of-the-art in literature, technical explanations of the proposed methods, and accurate experimental studies on relevant robotic tasks.

arxiv情報

著者 Roberto Bigazzi
発行日 2025-05-02 00:43:28+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, DeepL

カテゴリー: cs.AI, cs.CV, cs.RO | Autonomous Embodied Agents: When Robotics Meets Deep Learning Reasoning はコメントを受け付けていません

DriveGPT: Scaling Autoregressive Behavior Models for Driving

投稿日: 2025年5月5日 作成者: jarxiv

要約

我々は、自律走行のためのスケーラブルな行動モデルであるDriveGPTを発表する。我々は、運転を逐次的な意思決定タスクとしてモデル化し、将来のエージェントの状態をトークンとして自己回帰的に予測する変換モデルを学習する。モデルパラメータと学習データを数桁スケールアップし、データセットサイズ、モデルパラメータ、計算量のスケーリング特性を探索する。DriveGPTは、複雑な実世界のシナリオにおける閉ループ運転を含む定量的な指標と定性的な例の両方を通して、計画タスクにおいて異なるスケールにわたって評価されます。別の予測タスクでは、DriveGPTは最先端のベースラインを上回り、大規模データセットで事前学習することで性能が向上することを示し、データスケーリングの利点をさらに検証した。

要約(オリジナル)

We present DriveGPT, a scalable behavior model for autonomous driving. We model driving as a sequential decision-making task, and learn a transformer model to predict future agent states as tokens in an autoregressive fashion. We scale up our model parameters and training data by multiple orders of magnitude, enabling us to explore the scaling properties in terms of dataset size, model parameters, and compute. We evaluate DriveGPT across different scales in a planning task, through both quantitative metrics and qualitative examples, including closed-loop driving in complex real-world scenarios. In a separate prediction task, DriveGPT outperforms state-of-the-art baselines and exhibits improved performance by pretraining on a large-scale dataset, further validating the benefits of data scaling.

arxiv情報

著者 Xin Huang,Eric M. Wolff,Paul Vernaza,Tung Phan-Minh,Hongge Chen,David S. Hayden,Mark Edmonds,Brian Pierce,Xinxin Chen,Pratik Elias Jacob,Xiaobai Chen,Chingiz Tairbekov,Pratik Agarwal,Tianshi Gao,Yuning Chai,Siddhartha Srinivasa
発行日 2025-05-02 01:02:47+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, DeepL

カテゴリー: cs.AI, cs.CV, cs.LG, cs.RO | DriveGPT: Scaling Autoregressive Behavior Models for Driving はコメントを受け付けていません

Real-time Two-tape Control System in Vine robots

投稿日: 2025年5月5日 作成者: jarxiv

要約

本論文では、自律的に粘着テープを貼り付け、表面にシワを発生させることで、リアルタイムにステアリング制御を行う新しいアプローチにより、成長するつる型ロボットを様々な方向にステアリングさせる方法に焦点を当てる。これにより、ロボットの柔らかい構造を維持したまま、任意に何度も旋回するリアルタイムな方向制御が可能となる。このシステムは、チューブの外部に成長材料を供給する。この設計は、2次元空間において固定角度の旋回を実現する。実験的検証を通じて、ダビンズのパスプランナーを用いて21度のターンを最小限の誤差で繰り返すことを実証し、より多用途なバインロボット・アプリケーションの基礎を確立した。このアプローチは、リアルタイム制御、多自由度ステアリング、構造的柔軟性を兼ね備えており、ソフトロボティクスにおける重要な課題に取り組んでいる。

要約(オリジナル)

This paper focuses on how to make a growing Vine robot steer in different directions with a novel approach to real-time steering control by autonomously applying adhesive tape to induce a surface wrinkles. This enabling real-time directional control with arbitrary many turns while maintaining the robot’s soft structure. This system feeds growing material external to the tube. The design achieves fixed-angle turns in 2D space. Through experimental validation, we demonstrate repeated 21-degree turns using a Dubins path planner with minimal error, establishing a foundation for more versatile Vine robot applications. This approach combines real-time control, multi-degree-of-freedom steering, and structural flexibility, addressing key challenges in soft robotics.

arxiv情報

著者 Hanmo Liu,Kayleen Smith,Zimu Yang,Mark Yim
発行日 2025-05-02 03:08:30+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, DeepL

カテゴリー: cs.RO | Real-time Two-tape Control System in Vine robots はコメントを受け付けていません