複雑な環境におけるロボットの経路計画において、運動学的制約と動的制約の両方を満たす効率的な手法として、可到達ベジェ多面体を活用した階層型制御アーキテクチャを提案する。
本稿では、ガウス確率場としてモデル化された空間依存性擾乱をナビゲートする動的システムに対して、ロバストな信念ロードマップを生成するマルチクエリ アルゴリズム、REVISE (Robust samplE-based co-VarIance StEering) を提案する。
本稿では、チャカ鳥の翼を使った急斜面の登坂運動にヒントを得て、二足歩行ロボットHarpyにスラスターを装備し、傾斜面歩行を実現するための二次計画法に基づく制御手法を提案する。
本稿では、予測制御バリア関数(PCBF)の明示的な近似を安全フィルターフレームワークに統合する新しいアルゴリズムを提案する。この手法は、従来のPCBF法の計算コストを大幅に削減しながら、状態制約の保証と安全集合の安定性を維持する。
本稿では、物理シミュレーションを「コア知識」として活用し、閉ループ制御に基づく複数ステップ先を見据えたロボットプランニングを実現する階層型フレームワークを提案する。
本稿では、非線形ダイナミクスと確率的制約を持つシステムのための新しい共分散ステアリングアルゴリズムを提案し、従来の手法よりも厳しい安全制約の下で、より高品質な制御を実現することを示した。
ユーザーの選好に基づいてロボットの行動を最適化する際、ユーザー体験を重視することで、学習プロセス全体の効率とユーザーの満足度を高めることができる。
本稿では、ロボット学習におけるシミュレーションと現実世界の差異を埋めるために、微分可能シミュレーション内で情報量の多い接触モードを積極的に計画・励起する手法を提案する。
BMPは、B-スプラインと確率的なMovement Primitivesを組み合わせた新しい動作表現手法であり、境界条件を満たしつつ、模倣学習と強化学習の両方において高い表現力と適用性を提供する。
iKalibrは、IMU、レーダー、LiDAR、カメラなど、複数のセンサを統合した慣性システムの正確かつ効率的な時空間キャリブレーションを実現する、ターゲットレスで堅牢なフレームワークである。