日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

群制御arXiv:2603.13908

ロボタリウムにおけるGTernalロボットのデータ駆動型自己回帰電力予測

Data-Driven Autoregressive Power Prediction for GTernal Robots in the Robotarium

シェア:XThreadsFacebookLINEはてブBluesky

ロボットの電力消費を過去の履歴から自己回帰的に予測する軽量モデルを提案し、実機7台での検証で高い精度と転移性を示した。

詳しい要約

1. どんなもの?

- GTernal移動ロボットの消費電力を予測する軽量自己回帰モデル - Georgia Tech Robotariumで運用されるプラットフォーム向け - 48,000サンプル・6回の動作試行から学習 - 7,041パラメータのMLPでR²=0.90を達成 - 推論時間224μsで30Hz制御の150倍高速 - モデルとデータセットを公開

2. 先行研究と比べてどこがすごい?

- 既存手法は運動学的近似に依存し実ハードの複雑な動力学を捉えられない - 本研究は電力消費の時間的自己相関(ρ₁=0.95)が運動学効果を支配することを発見 - 最近の電力履歴を条件とすることで測定ノイズによる理論的予測限界に到達 - 未見ロボットや行動へのゼロショット転移を実証

3. 技術・手法の肝は?

- 軽量な自己回帰予測器を採用 - 7,041パラメータの多層パーセプトロン(MLP) - 最近の電力履歴を入力特徴として使用 - 48,000サンプル・6回の動作試行から学習 - 推論は224μs/回でリアルタイム動作可能

4. どうやって有効だと検証した?

- ホールドアウト動作パターンでR²=0.90を達成 - 衝突回避シナリオで7台のロボットによる物理検証 - 平均R²=0.87を確認 - 未見ロボットと行動へのゼロショット転移を実証 - 測定ノイズによる理論的予測限界に到達

5. 議論はある?

- 電力消費の時間的自己相関が運動学効果より支配的であることを発見 - 測定ノイズが予測精度の理論的上限を課す - ゼロショット転移が可能であることを示唆 - エネルギー認識型マルチロボットアルゴリズム開発への貢献 - 具体的な議論や限界については要旨からは不明

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究は明示されていない - 関連手法として運動学的近似に基づく電力モデル - 同分野の定番としてエネルギー認識型マルチロボットアルゴリズム - 自己回帰モデルやMLPを用いた電力予測研究

※ 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: Yassin Abdelmeguid, Ammar Hasan

分類: cs.RO

原文アブストラクト

Energy-aware algorithms for multi-robot systems require accurate power consumption models, yet existing approaches rely on kinematic approximations that fail to capture the complex dynamics of real hardware. We present a lightweight autoregressive predictor for the GTernal mobile robot platform deployed in the Georgia Tech Robotarium. Through analysis of 48,000 samples collected across six motion trials, we discover that power consumption exhibits strong temporal autocorrelation ($\rho_1 = 0.95$) that dominates kinematic effects. A 7,041-parameter multi-layer perceptron (MLP) achieves $R^2 = 0.90$ on held-out motion patterns by conditioning on recent power history, reaching the theoretical prediction ceiling imposed by measurement noise. Physical validation across seven robots in a collision avoidance scenario yields mean $R^2 = 0.87$, demonstrating zero-shot transfer to unseen robots and behaviors. The predictor runs in 224 $\mu$s per inference, enabling real-time deployment at 150$\times$ the platform's 30 Hz control rate. We release the trained model and dataset to support energy-aware multi-robot algorithm development.

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. 3Google DeepMind、ロボット向けAIを発表新製品・発表
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5GXO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

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