転移学習2026/9/15arXiv:2609.17187

Fleet-To-Lab: モデル融合による月面ローバのスリップ推定のための転移学習フレームワーク

Fleet-To-Lab: A Transfer Learning Framework For Lunar Rover Slippage Estimation Via Model Fusion

過去の月面ローバの固有感覚データを活用し、地球と月のドメインギャップを埋める転移学習フレームワークを提案。複数の異種専門モデルを群知能アルゴリズムAcoMergeで融合し、スリップ推定精度を向上させた。

詳しい要約

1. どんなもの？

月面ローバーの車輪スリップ推定において、地球と月のドメインギャップを軽減するための転移学習フレームワーク「Fleet-to-Lab」を提案。過去に展開された異種の月面ローバーから収集された固有受容感覚データを活用し、将来展開するユニットのスリップ推定精度を向上させる。複数の異種エキスパートモデルを単一アーキテクチャに融合する。

2. 先行研究と比べてどこがすごい？

従来の地球データで訓練した機械学習モデルは月面地形への汎化性能が低く、実際の月データはミッション数が限られ収集コストが高いため不足している。本研究は、既存の異種ローバーから得た固有受容感覚データを転移学習に利用し、地球-月間のドメインギャップを緩和する点が新しい。また、モデル融合により、深層モデル融合ベースラインと比較して balanced accuracy と macro-F1 が改善される。

3. 技術・手法の肝は？

Fleet-to-Lab は、複数の異種エキスパートモデルを融合する転移学習フレームワーク。新たなハイブリッド群知能アルゴリズム「AcoMerge」を提案し、エキスパートパラメータの最適な組み合わせを探索することでモデル融合を行う。ローバー展開後に収集された少量のデータセットを用いる。

4. どうやって有効だと検証した？

高忠実度物理シミュレーションで実験を行い、深層モデル融合ベースラインと比較して balanced accuracy と macro-F1 の改善を確認。AcoMerge は深層アーキテクチャの joint training と競合する性能を示し、より小さなモデルで高い macro-F1 と balanced accuracy を達成した。

5. 議論はある？

モデル融合が、限られたデータで宇宙ロボティクスミッションのスリップ推定における転移学習の代替手段となり得ることを示唆。ただし、実月面環境での検証や他のタスクへの汎用性については議論の余地がある。

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が、関連手法として deep model fusion ベースライン、joint training on deep architectures、および群知能アルゴリズム（AcoMerge の基盤）が挙げられる。同分野の定番として、転移学習やドメイン適応を用いたロボットのスリップ推定に関する研究が次に読むべき候補となる。

※ 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: Riccardo Viviano, Saki Omi, Andrej Orsula, Miguel Olivares-Mendez

分類: cs.RO

原文アブストラクト

Accurate wheel slip estimation is essential for autonomous lunar rover mobility and navigation. Machine Learning models trained on terrestrial data generalize poorly to lunar terrain, and real lunar datasets are scarce due to the limited number of missions and costly data acquisition. We present Fleet-to-Lab, a transfer learning framework that leverages proprioceptive data collected by previously deployed heterogeneous lunar rovers to mitigate the Earth-Moon domain gap in slip estimation for a future deployable unit. We fuse several heterogeneous expert models into a single architecture, using a modest dataset collected after the rover deployment. We propose AcoMerge, a new hybrid swarm-intelligence algorithm that performs model fusion by searching for an optimal combi- nation of expert parameters. Experiments conducted in a high- fidelity physics simulation show balanced accuracy and macro- F1 improvements compared to deep model fusion baselines. AcoMerge exhibits competitive performance with joint training on deep architectures, while achieving higher macro-F1 and balanced accuracy on a smaller model. Overall, our framework shows model fusion as a possible transfer learning alternative for slippage estimation in space robotic missions with limited data.

arXivで原文を読む →arXiv概要ページ