日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

制御arXiv:2603.16407

船上クレーンの二重振り子揺れ抑制のためのオンボードMuJoCoベースモデル予測制御

Onboard MuJoCo-based Model Predictive Control for Shipboard Crane with Double-Pendulum Sway Suppression

シェア:XThreadsFacebookLINEはてブBluesky

船上クレーンの二重振り子揺れを抑制するため、MuJoCoシミュレータ上でクロスエントロピー法を用いたモデル予測制御をリアルタイムに実行するパイプラインを提案した。

詳しい要約

1. どんなもの?

- 船載クレーンにおける二重振り子ペイロードの揺れを抑制するための、オンボードMuJoCoベースのモデル予測制御(MPC)を提案。 - 物理シミュレータ内で候補行動列を評価するクロスエントロピー法プランナを活用したリアルタイム制御パイプライン。 - 計算資源が限られた組み込みハードウェア上で動作し、外部ベース擾乱に対抗する。

2. 先行研究と比べてどこがすごい?

- 従来の制御法は簡略化された解析モデルに依存し、深層強化学習(RL)は未見条件への汎化が不十分。 - 提案手法は複雑な解析モデルや大規模なオフライン学習を必要とせず、シミュレーションロールアウトを用いて動的目標追従と揺れ抑制の相反する目的を両立。 - 資源制約のある組み込みハードウェアで動作し、PIDやRLベースラインを上回る性能を実証。

3. 技術・手法の肝は?

- MuJoCo MPCフレームワークを中心とし、クロスエントロピー法(CEM)プランナで候補行動列を物理シミュレータ内で直接評価。 - サンプリングベースのアプローチにより、複雑な解析モデルに依存せずに動的目標追従と揺れ抑制を実現。 - シミュレーションロールアウトを利用して、リアルタイムで制御入力を決定。

4. どうやって有効だと検証した?

- 資源制約のある組み込みハードウェア上でコントローラが効果的に動作することを実証。 - 外部ベース擾乱に対して、従来のPIDおよびRLベースラインを上回る性能を示した。 - 2つ目のペイロード追加のような未モデル化の物理的差異に対してもロバスト性を発揮。

5. 議論はある?

- 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:PID制御、深層強化学習(RL)ベースの手法。 - 関連手法:MuJoCo MPCフレームワーク、クロスエントロピー法(CEM)プランナ。

※ 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: Oscar Pang, Lisa Coiffard, Paul Templier, Luke Beddow, Kamil Dreczkowski, Antoine Cully

分類: cs.RO

原文アブストラクト

Transferring heavy payloads in maritime settings relies on efficient crane operation, limited by hazardous double-pendulum payload sway. This sway motion is further exacerbated in offshore environments by external perturbations from wind and ocean waves. Manual suppression of these oscillations on an underactuated crane system by human operators is challenging. Existing control methods struggle in such settings, often relying on simplified analytical models, while deep reinforcement learning (RL) approaches tend to generalise poorly to unseen conditions. Deploying a predictive controller onto compute-constrained, highly non-linear physical systems without relying on extensive offline training or complex analytical models remains a significant challenge. Here we show a complete real-time control pipeline centered on the MuJoCo MPC framework that leverages a cross-entropy method planner to evaluate candidate action sequences directly within a physics simulator. By using simulated rollouts, this sampling-based approach successfully reconciles the conflicting objectives of dynamic target tracking and sway damping without relying on complex analytical models. We demonstrate that the controller can run effectively on a resource-constrained embedded hardware, while outperforming traditional PID and RL baselines in counteracting external base perturbations. Furthermore, our system demonstrates robustness even when subjected to unmodeled physical discrepancies like the introduction of a second payload.

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. 2GXO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
  3. 3newmo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
  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