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:2607.15656

油圧ショベルのシステムレベルサロゲート学習:シミュレーションから実機へのLSTMアプローチ

Learning a System-Level Surrogate for Hydraulic Excavators: A Simulation-to-Real LSTM Approach

シェア:XThreadsFacebookLINEはてブBluesky

油圧ショベルを入出力オペレータとして捉え、LSTMネットワークで閉ループ挙動を模倣するシステムレベルのデジタルサロゲートをシミュレーションから実機へ転移学習する手法を提案した。

詳しい要約

1. どんなもの?

本論文は、油圧ショベルのシステム全体を模擬するデジタルサロゲート(代理モデル)を、Long Short-Term Memory (LSTM) ネットワークを用いて学習するフレームワークを提案している。内部動力学をモデル化する代わりに、ショベルを入力出力オペレータとして扱い、同一の制御入力に対する閉ループ挙動を再現するようにサロゲートを訓練する。MuJoCoシミュレーション環境で検証後、実機へ転移する。実データの測定不整合に対処するため、適応カルマンフィルタに基づく一貫性認識状態推定法を導入する。

2. 先行研究と比べてどこがすごい?

従来の油圧ショベルのモデリングは、内部の油圧・機械動力学を詳細にモデル化する物理ベースのアプローチが主流であり、複雑で計算コストが高く、実機とのギャップが課題であった。本手法は、システムをブラックボックスとして扱い、データ駆動で閉ループ挙動を学習するため、物理モデルの複雑さを回避し、シミュレーションから実機への転移を容易にする点が新しい。また、実データのノイズや不整合を扱うための適応カルマンフィルタによる状態推定を組み合わせている点も貢献である。

3. 技術・手法の肝は?

手法の核は、油圧ショベルを入力(制御信号)から出力(角速度や軌道)への写像として捉え、LSTMネットワークでその入出力関係を学習することである。訓練はシミュレーション(MuJoCo)で行われ、その後実機データで微調整または直接適用する。実機データの測定誤差やセンサノイズに対処するため、適応カルマンフィルタを用いた一貫性認識状態推定法を導入し、状態推定の精度を高めている。評価は閉ループ自己回帰方式で行われ、長期的な軌道再現性を確認する。

4. どうやって有効だと検証した?

提案手法は、まずMuJoCoシミュレーション環境で検証され、その後実機の油圧ショベルに転移された。実験では、学習したサロゲートが角速度と長期的な軌道再現の両方において高い忠実度を達成することが示された。評価は閉ループ自己回帰方式で行われ、シミュレーションと実機の両方でドロップインサロゲートとして機能することが確認された。具体的な数値指標は要旨に明記されていないが、高忠実度と記載されている。

5. 議論はある?

要旨からは、提案手法の限界や課題についての議論は明示されていない。ただし、実機データの測定不整合への対処として適応カルマンフィルタを導入していることから、センサノイズや較差が課題であることが示唆される。また、シミュレーションから実機への転移におけるドメインギャップの影響や、LSTMモデルの汎化性能、長期的な安定性などが潜在的な議論点と考えられるが、要旨からは不明である。

6. 次に読むべき論文は?

要旨で参照されている関連研究は明示されていないが、同分野の定番として、油圧ショベルの物理ベースモデリング、システム同定、リカレントニューラルネットワークによる動的システムモデリング、シミュレーションから実機への転移学習(sim-to-real transfer)、MuJoCoシミュレータ、適応カルマンフィルタに関する論文が挙げられる。具体的には、油圧ショベルの自動化に関する研究や、LSTMを用いた時系列予測の基礎論文などが関連する。

※ 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: Shuai Wang, Shen Wang, Qiang Wang, Muguo Du, Donghai Shi, Chenyu Wang, Xiaofeng Tao

分類: cs.RO, cs.SY, eess.SY

原文アブストラクト

Developing autonomous hydraulic excavators is constrained by limited access to physical machines and the high cost of real-world experimentation. This paper proposes a simulation-to-real framework for learning a system-level digital surrogate using Long Short-Term Memory (LSTM) networks. Instead of modeling internal dynamics, the excavator is treated as an input-output operator, and the surrogate is trained to reproduce its closed-loop behavior under identical control inputs. The approach is first validated in a MuJoCo simulation environment and then transferred to a real excavator. To address measurement inconsistencies in real-world data, a consistency-aware state estimation method based on adaptive Kalman filtering is introduced. Experimental results demonstrate that the learned surrogate achieves high fidelity in both angular velocity and long-horizon trajectory reproduction under closed-loop autoregressive evaluation. These results confirm that the proposed model can serve as a drop-in surrogate for both simulation and physical systems, enabling scalable and efficient development of excavation automation algorithms.

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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI