論文の概要: Robotic needle steering in deformable tissues with extreme learning machines

• arxiv url: http://arxiv.org/abs/2104.06510v1
• Date: Fri, 2 Apr 2021 07:04:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-05 19:42:45.205272
• Title: Robotic needle steering in deformable tissues with extreme learning machines
• Title（参考訳）: 極端学習機械を用いた変形性組織におけるロボット針操舵
• Authors: Pedro Henrique Suruagy Perrusi, Anna Cazzaniga, Paul Baksic, Eleonora Tagliabue, Elena de Momi, Hadrien Courtecuisse
• Abstract要約: 本研究は,ロボット針ステアリングのための高速コマンドを提供するために,エクストリームラーニングマシン(Extreme Learning Machines)を提案する。 その結果、モデルでは逆シミュレーションよりも66%早くコマンドを推測でき、これまで見られなかった軌道上でも許容できる精度に達することが示された。
• 参考スコア（独自算出の注目度）: 14.220993190579218
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Control strategies for robotic needle steering in soft tissues must account for complex interactions between the needle and the tissue to achieve accurate needle tip positioning. Recent findings show faster robotic command rate can improve the control stability in realistic scenarios. This study proposes the use of Extreme Learning Machines to provide fast commands for robotic needle steering. A synthetic dataset based on the inverse finite element simulation control framework is used to train the model. Results show the model is capable to infer commands 66% faster than the inverse simulation and reaches acceptable precision even on previously unseen trajectories.
• Abstract（参考訳）: 柔らかい組織におけるロボット針ステアリングの制御戦略は、正確な針先端位置決めを実現するために、針と組織の間の複雑な相互作用を考慮する必要がある。 最近の知見は、ロボットのコマンドレートが速くなれば、現実的なシナリオでの制御安定性が向上することを示している。 本研究は,ロボット針ステアリングのための高速コマンドを提供するためにExtreme Learning Machinesを提案する。 モデルのトレーニングには、逆有限要素シミュレーション制御フレームワークに基づく合成データセットを使用する。 その結果、モデルでは逆シミュレーションよりも66%早くコマンドを推測でき、これまで見られなかった軌道上でも許容できる精度に達することが示された。

関連論文リスト

• Automated Gait Generation For Walking, Soft Robotic Quadrupeds [6.005998680766498]
  ソフトアクチュエータの非線形ダイナミクスと高次元入力空間のため,ソフトロボットの歩行生成は困難である。 本稿では, 自己生成型ソフトロボット歩行のためのサンプル効率, シミュレーションフリーの手法を提案する。 これはソフトロボットにおける完全に自律的な歩行生成の最初のデモンストレーションである。
  論文  参考訳（メタデータ） (2023-09-30T21:31:30Z)
• End-to-End Reinforcement Learning for Torque Based Variable Height Hopping [5.34772724436823]
  足の移動は自然または非構造地形を扱うのに最も適しており、多用途であることは間違いない。 本稿では,ジャンプ位相を暗黙的に検出するエンド・ツー・エンドのRL型トルクコントローラを提案する。 また、学習した制御器がリッチな動的タスクに接触できるように、シミュレーション手法を拡張し、ロボットへの展開を成功させる。
  論文  参考訳（メタデータ） (2023-07-31T13:51:29Z)
• Robot Learning with Sensorimotor Pre-training [98.7755895548928]
  ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。 我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。 感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
  論文  参考訳（メタデータ） (2023-06-16T17:58:10Z)
• Kinematics Transformer: Solving The Inverse Modeling Problem of Soft Robots using Transformers [0.0]
  Kinematics Transformerは、ソフトロボット四肢の正確で正確な逆運動モデルを開発するために提案されている。 提案手法は, 逆キネマティクス問題を逐次予測問題として再キャストし, トランスアーキテクチャに基づく。 シミュレーションにより,本手法は軟手足の制御に有効であることがわかった。
  論文  参考訳（メタデータ） (2022-11-12T11:38:51Z)
• Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
  本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。 実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
  論文  参考訳（メタデータ） (2022-07-05T16:33:20Z)
• High-Speed Accurate Robot Control using Learned Forward Kinodynamics and Non-linear Least Squares Optimization [42.92648945058518]
  ロボットの動きのキノダイナミックな相互作用への依存は、高速でより顕著になる。 従来の研究から,逆キノダイナミックモデルの学習がロボットの高速制御に有効であることが示唆された。 本稿では,FKDモデルと非線形最小二乗最適化を併用した,高精度かつ高速なロボット制御のための新しい定式化を提案する。
  論文  参考訳（メタデータ） (2022-06-16T23:52:01Z)
• Reinforcement Learning for Robust Parameterized Locomotion Control of Bipedal Robots [121.42930679076574]
  シミュレーションにおけるロコモーションポリシをトレーニングするためのモデルフリー強化学習フレームワークを提案する。 ドメインランダム化は、システムダイナミクスのバリエーションにまたがる堅牢な振る舞いを学ぶためのポリシーを奨励するために使用されます。 本研究では、目標歩行速度、歩行高さ、旋回ヨーなどの多目的歩行行動について示す。
  論文  参考訳（メタデータ） (2021-03-26T07:14:01Z)
• Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
  この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。 コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。 その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
  論文  参考訳（メタデータ） (2021-01-26T16:01:02Z)
• Populations of Spiking Neurons for Reservoir Computing: Closed Loop Control of a Compliant Quadruped [64.64924554743982]
  本稿では,ニューラルネットワークを用いた中央パターン生成機構を実装し,閉ループロボット制御を実現するためのフレームワークを提案する。 本研究では,従順な四足歩行ロボットのシミュレーションモデル上で,予め定義された歩行パターン,速度制御,歩行遷移の学習を実演する。
  論文  参考訳（メタデータ） (2020-04-09T14:32:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。