論文の概要: Using Neural Networks to Model Hysteretic Kinematics in Tendon-Actuated Continuum Robots

• arxiv url: http://arxiv.org/abs/2404.07168v1
• Date: Wed, 10 Apr 2024 17:04:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-11 13:42:08.049785
• Title: Using Neural Networks to Model Hysteretic Kinematics in Tendon-Actuated Continuum Robots
• Title（参考訳）: 腱作動型連続ロボットにおけるニューラルネットワークによるヒステリシスのモデル化
• Authors: Yuan Wang, Max McCandless, Abdulhamit Donder, Giovanni Pittiglio, Behnam Moradkhani, Yash Chitalia, Pierre E. Dupont,
• Abstract要約: 本研究では,2種類の腱作動型連続体ロボットのヒステリック応答について検討した。 本稿では,3種類のニューラルネットワークモデリング手法を,前方および逆運動学的なマッピングと比較する。
• 参考スコア（独自算出の注目度）: 13.390354219940583
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The ability to accurately model mechanical hysteretic behavior in tendon-actuated continuum robots using deep learning approaches is a growing area of interest. In this paper, we investigate the hysteretic response of two types of tendon-actuated continuum robots and, ultimately, compare three types of neural network modeling approaches with both forward and inverse kinematic mappings: feedforward neural network (FNN), FNN with a history input buffer, and long short-term memory (LSTM) network. We seek to determine which model best captures temporal dependent behavior. We find that, depending on the robot's design, choosing different kinematic inputs can alter whether hysteresis is exhibited by the system. Furthermore, we present the results of the model fittings, revealing that, in contrast to the standard FNN, both FNN with a history input buffer and the LSTM model exhibit the capacity to model historical dependence with comparable performance in capturing rate-dependent hysteresis.
• Abstract（参考訳）: 深層学習アプローチを用いた腱作動型連続ロボットの機械的ヒステリック動作を正確にモデル化する能力は、注目の領域である。 本稿では,2種類の腱作動型連続ロボットのヒステリック応答について検討し,最終的には3種類のニューラルネットモデリング手法と,FNN(Feedforward Neural Network),FNN(History input buffer),Long Short-term memory(LSTM)の3種類のキネマティックマッピングを比較した。 どのモデルが最も時間依存的な振る舞いを捉えているかを決めようとしています。 ロボットの設計によっては、システムによってヒステリシスが提示されるかどうかを、異なるキネマティック入力を選択することで変更できることがわかった。 さらに, 標準FNNとは対照的に, 履歴入力バッファを持つFNNとLSTMモデルの両方が, 速度依存ヒステリシスの捕捉において, 比較した性能で履歴依存をモデル化する能力を示した。

関連論文リスト

• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Unsupervised Spiking Neural Network Model of Prefrontal Cortex to study Task Switching with Synaptic deficiency [0.0]
  スパイキングニューラルネットワーク(SNN)を用いた前頭前皮質(PFC)の計算モデルを構築した。 本研究では,SNNが生物学的に妥当な値に近いパラメータを持ち,教師なしのスパイクタイミング依存塑性(STDP)学習規則を用いてモデルを訓練する。
  論文  参考訳（メタデータ） (2023-05-23T05:59:54Z)
• Forecasting the 2016-2017 Central Apennines Earthquake Sequence with a Neural Point Process [0.0]
  本研究では,短期地震活動予測にフレキシブル・ポイント・プロセス・モデルを適用することができるか検討する。 本研究では, 時間的ニューラルモデルを用いて, 震度閾値以上の地震を予測できることを示す。
  論文  参考訳（メタデータ） (2023-01-24T12:15:12Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• STAR: Sparse Transformer-based Action Recognition [61.490243467748314]
  本研究は,空間的次元と時間的次元に細かな注意を払っている新しいスケルトンに基づく人間行動認識モデルを提案する。 実験により、トレーニング可能なパラメータをはるかに少なくし、トレーニングや推論の高速化を図りながら、モデルが同等のパフォーマンスを達成できることが示されている。
  論文  参考訳（メタデータ） (2021-07-15T02:53:11Z)
• Sparse Flows: Pruning Continuous-depth Models [107.98191032466544]
  生成モデルにおいて,プルーニングによりニューラルネットワークの一般化が向上することを示す。 また、プルーニングは、元のネットワークに比べて最大98%少ないパラメータで、精度を損なうことなく、最小かつ効率的なニューラルODE表現を見出すことを示した。
  論文  参考訳（メタデータ） (2021-06-24T01:40:17Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• A Spiking Central Pattern Generator for the control of a simulated lamprey robot running on SpiNNaker and Loihi neuromorphic boards [1.8139771201780368]
  本稿では,シミュレートされたランプレーモデルを制御する手段として,スパイクニューラルネットワークとニューロモルフィックハードウェアの実装を提案する。 センサ情報によって提供できるネットワークへの入力を変更することで,ロボットの方向や速度を動的に制御できることを示す。 スパイキングアルゴリズムのこのカテゴリは、エネルギー効率と計算速度の観点から、ニューロモルフィックハードウェアの理論的利点を利用する有望な可能性を示している。
  論文  参考訳（メタデータ） (2021-01-18T11:04:16Z)
• Action-Conditional Recurrent Kalman Networks For Forward and Inverse Dynamics Learning [17.80270555749689]
  ロボットのモデルベース制御において、正確な前方および逆ダイナミクスモデルの推定が重要な要素である。 本稿では,フォワードモデル学習のためのアーキテクチャと,逆モデル学習のためのアーキテクチャを提案する。 どちらのアーキテクチャも、予測性能の点で、既存のモデル学習フレームワークと分析モデルを大きく上回っている。
  論文  参考訳（メタデータ） (2020-10-20T11:28:25Z)
• Dynamic Time Warping as a New Evaluation for Dst Forecast with Machine Learning [0.0]
  ニューラルネットワークをトレーニングして、発生時刻の暴風雨時指数を1時間から6時間まで予測する。 相関係数とRMSEによるモデルの結果の検査により,最新の論文に匹敵する性能を示した。 2つの時系列が互いに時間的にずれているかどうかを測定するために,新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-06-08T15:14:13Z)

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。