日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

sim2realarXiv:2509.15412

Sym2Real: 記号動力学と残差学習によるデータ効率の良い適応制御

Sym2Real: Symbolic Dynamics with Residual Learning for Data-Efficient Adaptive Control

シェア:XThreadsFacebookLINEはてブBluesky

低忠実度シミュレーションで記号回帰により動力学を学習し、少数の実世界データで残差適応を行うことで、クアッドロータとレースカーのsim2real制御を実現した。

詳しい要約

1. どんなもの?

- 低レベル制御器の適応を高いデータ効率で実現する完全データ駆動型フレームワーク Sym2Real の提案。 - 記号回帰(symbolic regression)を実世界制御に活用するため、シミュレーションでの学習と実データでの残差適応を組み合わせる。 - quadrotor と racecar の実機制御で検証。

2. 先行研究と比べてどこがすごい?

- symbolic regression はデータ効率が良いが、計測ノイズに敏感で実データに直接フィットすると式が壊れモデルが劣化する問題があった。 - Sym2Real は低忠実度シミュレーションでノイズなし軌道から動態を同定し、実データは残差適応に少量のみ使うことでこの限界を回避。 - 専門知識やシミュレーションチューニングなしで約10軌道のみで実機制御を達成。

3. 技術・手法の肝は?

- 1) 低忠実度シミュレーション上で symbolic regression を適用し、ノイズフリー軌道から基礎動態を同定。 - 2) 少量の実世界データを用いて残差学習(residual learning)により sim-to-real gap を埋める targeted residual adaptation を実施。 - シミュレーション由来の記号モデルと実データ由来の残差補正を組み合わせて低レベル制御器を適応。

4. どうやって有効だと検証した?

- quadrotor と racecar の両プラットフォームで実機実験を実施。 - 6つの out-of-distribution な sim2sim シナリオで一貫したデータ効率的適応を確認。 - 5つの実世界条件で sim2real transfer の成功を確認。 - 約10軌道の実データのみを使用。

5. 議論はある?

- 要旨からは不明(ノイズ感度や残差適応の限界、他プラットフォームへの一般化に関する議論は明示されていない)。 - 低忠実度シミュレーションへの依存や、実データ量と適応性能の関係についての詳細は要旨からは不明。

6. 次に読むべき論文は?

- symbolic regression を用いた制御・動態同定の関連研究。 - residual learning による sim-to-real 転移の関連手法。 - quadrotor および racecar の低レベル制御・適応制御の定番研究。

※ 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: Easop Lee, Samuel A. Moore, Boyuan Chen

分類: cs.RO, cs.SY, eess.SY

原文アブストラクト

We present Sym2Real, a fully data-driven framework for highly data-efficient adaptation of low-level controllers. Although symbolic regression is data-efficient, its role in real-world control has been limited due to its sensitivity to measurement noise, which corrupts the equations and leads to model degradation when fitted directly on real-world data. Sym2Real addresses this limitation by 1) learning first from low-fidelity simulation, where noise-free trajectories allow symbolic regression to identify the underlying dynamics, and 2) using a small amount of real-world data for targeted residual adaptation to bridge the sim-to-real gap. Using only about 10 trajectories, we achieve robust control of both a quadrotor and a racecar in the real world, without expert knowledge or simulation tuning. Through experimental validation on both platforms, we demonstrate consistent data-efficient adaptation across 6 out-of-distribution sim2sim scenarios and successful sim2real transfer across 5 real-world conditions. More information can be found at http://generalroboticslab.com/Sym2Real

関連論文

  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

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI