論文の概要: Research on the Inverse Kinematics Prediction of a Soft Biomimetic
Actuator via BP Neural Network
- arxiv url: http://arxiv.org/abs/2110.13418v3
- Date: Wed, 10 Aug 2022 10:40:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-10 05:51:15.951323
- Title: Research on the Inverse Kinematics Prediction of a Soft Biomimetic
Actuator via BP Neural Network
- Title（参考訳）: BPニューラルネットワークを用いたソフトバイオミメティックアクチュエータの逆運動学予測に関する研究
- Authors: Huichen Ma, Junjie Zhou, Jian Zhang and Lingyu Zhang
- Abstract要約: 本研究では,3室駆動のソフトバイオミメティックアクチュエータの動作計画における逆運動論的問題に対処する。
本稿では,3次元空間を移動するソフトバイオミメティックアクチュエータの逆動力学を学習するバックプロパゲーションニューラルネットワークを提案する。
提案アルゴリズムは解析モデルよりも精度が高い。
- 参考スコア（独自算出の注目度）: 5.694781677024249
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we address the inverse kinetics problem of motion planning of
soft biomimetic actuators driven by three chambers. Soft biomimetic actuators
have been applied in many applications owing to their intrinsic softness.
Although a mathematical model can be derived to describe the inverse dynamics
of this actuator, it is still not accurate to capture the nonlinearity and
uncertainty of the material and the system. Besides, such a complex model is
time-consuming, so it is not easy to apply in the real-time control unit.
Therefore, developing a model-free approach in this area could be a new idea.
To overcome these intrinsic problems, we propose a back-propagation (BP) neural
network learning the inverse kinetics of the soft biomimetic actuator moving in
three-dimensional space. After training with sample data, the BP neural network
model can represent the relation between the manipulator tip position and the
pressure applied to the chambers. The proposed algorithm is more precise than
the analytical model. The results show that a desired terminal position can be
achieved with a degree of accuracy of 2.46% relative average error with respect
to the total actuator length.
- Abstract（参考訳）: 本研究では,3室駆動のソフトバイオミメティックアクチュエータの動作計画における逆運動論的問題に対処する。
ソフトバイオミメティックアクチュエータは本質的な柔らかさのために多くの用途に応用されている。
数学的モデルは、このアクチュエータの逆ダイナミクスを記述するために導出することができるが、材料とシステムの非線形性と不確かさを捉えることは、まだ正確ではない。
さらに、そのような複雑なモデルは時間を要するため、リアルタイム制御ユニットに適用するのは容易ではない。
したがって、この領域でモデルフリーなアプローチを開発することは、新しいアイデアかもしれない。
これらの本質的な問題を克服するために,3次元空間で動くソフトバイオミメティックアクチュエータの逆運動学を学習するバックプロパゲーション(bp)ニューラルネットワークを提案する。
サンプルデータを用いてトレーニングした後、BPニューラルネットワークモデルは、マニピュレータ先端位置とチャンバーに適用される圧力の関係を表現できる。
提案アルゴリズムは解析モデルよりも精度が高い。
その結果, 所望の端末位置は, 全アクチュエータ長に対する平均誤差の2.46%の精度で達成可能であることがわかった。
関連論文リスト
- Physics-constrained coupled neural differential equations for one dimensional blood flow modeling [0.3749861135832073]
計算心血管モデリングは、血流動態を理解する上で重要な役割を担っている。
有限要素法(FEM)に基づく従来の1次元モデルは、3次元平均解に比べて精度が低いことが多い。
本研究では1次元血流モデルの精度を向上させる物理制約付き機械学習手法を提案する。
論文 参考訳（メタデータ） (2024-11-08T15:22:20Z) - Equivariant Graph Neural Operator for Modeling 3D Dynamics [148.98826858078556]
我々は,次のステップの予測ではなく,ダイナミックスを直接トラジェクトリとしてモデル化するために,Equivariant Graph Neural Operator (EGNO)を提案する。
EGNOは3次元力学の時間的進化を明示的に学習し、時間とともに関数として力学を定式化し、それを近似するためにニューラル演算子を学習する。
粒子シミュレーション、人間のモーションキャプチャー、分子動力学を含む複数の領域における総合的な実験は、既存の手法と比較して、EGNOの極めて優れた性能を示す。
論文 参考訳（メタデータ） (2024-01-19T21:50:32Z) - Learning Nonlinear Projections for Reduced-Order Modeling of Dynamical
Systems using Constrained Autoencoders [0.0]
制約付き自己エンコーダニューラルネットワークによって記述された非線形射影のクラスを導入し,データから多様体と射影繊維の両方を学習する。
我々のアーキテクチャでは、エンコーダがデコーダの左逆であることを保証するために、可逆的アクティベーション関数と生物直交重み行列を用いる。
また,高速なダイナミックスと非正規性を考慮した斜め射影ファイバの学習を促進するために,新しいダイナミックス対応コスト関数を導入する。
論文 参考訳（メタデータ） (2023-07-28T04:01:48Z) - A Bio-Inspired Chaos Sensor Model Based on the Perceptron Neural
Network: Machine Learning Concept and Application for Computational
Neuro-Science [0.0]
本研究では,神経力学系におけるスパイクトレインのエントロピー推定のための知覚神経ネットワークに基づくバイオインスパイアされたカオスセンサモデルを提案する。
このモデルはスパイク信号のカオス的挙動を動的に追跡し、この情報を神経力学モデルの他の部分に送信してさらなる処理を行うことができる。
論文 参考訳（メタデータ） (2023-06-03T03:36:47Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Data-driven modeling of Landau damping by physics-informed neural
networks [4.728411962159049]
機械学習を用いて,ニューラルネットワークに含まれる暗黙の流体閉鎖を伴う多モーメント流体モデルを構築した。
このモデルは、減衰速度を含む電場エネルギーの時間発展と、動力学シミュレーションからプラズマ力学を再現する。
この研究は、複雑なマルチスケール実験室、宇宙、天体物理学の問題にまで拡張可能な、大規模システムの正確かつ効率的なモデリングに光を当てている。
論文 参考訳（メタデータ） (2022-11-02T10:33:38Z) - Adaptive physics-informed neural operator for coarse-grained
non-equilibrium flows [0.0]
このフレームワークは、階層的かつ適応的なディープラーニング戦略を通じて、次元還元とニューラル演算子を組み合わせる。
提案したサロゲートのアーキテクチャは木として構成され、葉ノードは別々の神経オペレータブロックを表す。
0-Dのシナリオでは、提案されたMLフレームワークは、最大相対誤差が4.5%である約30種の力学を適応的に予測することができる。
論文 参考訳（メタデータ） (2022-10-27T23:26:57Z) - Neural Motion Fields: Encoding Grasp Trajectories as Implicit Value
Functions [65.84090965167535]
本稿では,ニューラルネットワークによってパラメータ化される暗黙的値関数として,オブジェクト点群と相対的タスク軌跡の両方を符号化する新しいオブジェクト表現であるNeural Motion Fieldsを提案する。
このオブジェクト中心表現は、SE(3)空間上の連続分布をモデル化し、サンプリングベースのMPCを利用して、この値関数を最適化することで、反応的に把握することができる。
論文 参考訳（メタデータ） (2022-06-29T18:47:05Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-07-16T12:56:09Z) - Continuous Learning and Adaptation with Membrane Potential and
Activation Threshold Homeostasis [91.3755431537592]
本稿では,MPATH(Membrane Potential and Activation Threshold Homeostasis)ニューロンモデルを提案する。
このモデルにより、ニューロンは入力が提示されたときに自動的に活性を調節することで動的平衡の形式を維持することができる。
実験は、モデルがその入力から適応し、継続的に学習する能力を示す。
論文 参考訳（メタデータ） (2021-04-22T04:01:32Z)
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。