日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

耐故障制御/強化学習arXiv:2505.08223

オンラインTransformer適応を組み込んだ強化学習によるクアッドロータの耐故障制御

Reinforcement Learning-based Fault-Tolerant Control for Quadrotor with Online Transformer Adaptation

シェア:XThreadsFacebookLINEはてブBluesky

Transformerでリアルタイムに潜在表現を推定し、未知の機体モデルにも再学習なしで適応できる強化学習ベースの耐故障制御フレームワークを提案し、アクチュエータ故障下で95%の成功率を達成した。

詳しい要約

1. どんなもの?

- アクチュエータ故障に脆弱なマルチロータ向けの、強化学習(RL)ベースの故障許容制御(FTC)フレームワーク。 - transformer ベースのオンライン適応モジュールを統合したハイブリッド構成。 - 未知のシステムモデルにも再学習なしで適応することを狙う。 - 評価は PyBullet シミュレーションで loss-of-effectiveness 故障を対象。

2. 先行研究と比べてどこがすごい?

- 従来の RL ベース FTC はマルチロータモデルの事前知識を要したり、新構成への適応が困難だった。 - 提案法は transformer で latent representation をリアルタイム推論し、未学習のシステムモデルへ再学習なしで適応。 - 比較対象の既存適応手法は成功率 86%、RMSE 0.153 m に対し、提案法は成功率 95%、RMSE 0.129 m。 - 異なる構成の quadrotor でも未学習ダイナミクスへの頑健性を確認。

3. 技術・手法の肝は?

- transformer アーキテクチャで latent representation をオンライン推論する適応モジュールが中核。 - これを RL ベース FTC フレームワークに統合したハイブリッド構成。 - 再学習なしで未知のシステムモデルに適応できる点が設計上の狙い。 - 故障条件は loss-of-effectiveness アクチュエータ故障を想定。 - 具体的なネットワーク構成や学習アルゴリズムの詳細は要旨からは不明。

4. どうやって有効だと検証した?

- PyBullet シミュレーション上で loss-of-effectiveness アクチュエータ故障下の評価を実施。 - 成功率 95%、位置 RMSE 0.129 m を達成。 - 既存適応手法(成功率 86%、RMSE 0.153 m)との比較で優位性を示す。 - 異なる構成の quadrotor でも評価し、未学習ダイナミクスへの頑健性を確認。 - 実機実験の有無は要旨からは不明。

5. 議論はある?

- 提案法は未知モデルへの適応と構成変化への頑健性を示すが、評価は PyBullet シミュレーション中心。 - 実環境での検証や sim-to-real の議論は要旨からは不明。 - transformer のオンライン推論に伴う計算負荷やリアルタイム性の詳細は要旨からは不明。 - 対象故障は loss-of-effectiveness に限定されており、他の故障モードへの一般性は要旨からは不明。 - 動的で不確実な環境での効率的な故障管理への可能性を主張。

6. 次に読むべき論文は?

- 要旨で比較されている既存の適応手法(具体的名称は要旨からは不明)。 - RL ベースの fault-tolerant control (FTC) に関する先行研究。 - transformer を用いたオンライン適応・system identification 関連研究。 - loss-of-effectiveness アクチュエータ故障モデルに関する研究。 - プロジェクトページ http://00dhkim.me/paper/rl-ftc で参照文献を確認するのが有用。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Dohyun Kim, Jayden Dongwoo Lee, Hyochoong Bang, Jungho Bae

分類: cs.RO, cs.AI

原文アブストラクト

Multirotors play a significant role in diverse field robotics applications but remain highly susceptible to actuator failures, leading to rapid instability and compromised mission reliability. While various fault-tolerant control (FTC) strategies using reinforcement learning (RL) have been widely explored, most previous approaches require prior knowledge of the multirotor model or struggle to adapt to new configurations. To address these limitations, we propose a novel hybrid RL-based FTC framework integrated with a transformer-based online adaptation module. Our framework leverages a transformer architecture to infer latent representations in real time, enabling adaptation to previously unseen system models without retraining. We evaluate our method in a PyBullet simulation under loss-of-effectiveness actuator faults, achieving a 95% success rate and a positional root mean square error (RMSE) of 0.129 m, outperforming existing adaptation methods with 86% success and an RMSE of 0.153 m. Further evaluations on quadrotors with varying configurations confirm the robustness of our framework across untrained dynamics. These results demonstrate the potential of our framework to enhance the adaptability and reliability of multirotors, enabling efficient fault management in dynamic and uncertain environments. Website is available at http://00dhkim.me/paper/rl-ftc

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  3. 3GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI