論文の概要: Knowledge-based Neural Ordinary Differential Equations for Cosserat Rod-based Soft Robots

• arxiv url: http://arxiv.org/abs/2408.07776v1
• Date: Wed, 14 Aug 2024 19:07:28 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-16 15:48:53.088651
• Title: Knowledge-based Neural Ordinary Differential Equations for Cosserat Rod-based Soft Robots
• Title（参考訳）: コッサートロッド型ソフトロボットの知識に基づくニューラル正規微分方程式
• Authors: Tom Z. Jiahao, Ryan Adolf, Cynthia Sung, M. Ani Hsieh,
• Abstract要約: 高空間次元のため,ソフトロボットの力学をモデル化することは困難である。 ディープラーニングアルゴリズムは、ソフトロボットのデータ駆動モデリングにおける約束を示している。 第一原理物理モデルとニューラル常微分方程式を組み合わせたフレームワークであるKNODE-Cosseratを提案する。
• 参考スコア（独自算出の注目度）: 10.511173252165287
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Soft robots have many advantages over rigid robots thanks to their compliant and passive nature. However, it is generally challenging to model the dynamics of soft robots due to their high spatial dimensionality, making it difficult to use model-based methods to accurately control soft robots. It often requires direct numerical simulation of partial differential equations to simulate soft robots. This not only requires an accurate numerical model, but also makes soft robot modeling slow and expensive. Deep learning algorithms have shown promises in data-driven modeling of soft robots. However, these algorithms usually require a large amount of data, which are difficult to obtain in either simulation or real-world experiments of soft robots. In this work, we propose KNODE-Cosserat, a framework that combines first-principle physics models and neural ordinary differential equations. We leverage the best from both worlds -- the generalization ability of physics-based models and the fast speed of deep learning methods. We validate our framework in both simulation and real-world experiments. In both cases, we show that the robot model significantly improves over the baseline models under different metrics.
• Abstract（参考訳）: ソフトロボットは、その適合性と受動的性により、剛性ロボットよりも多くの利点がある。 しかし, ソフトロボットの空間的次元性の高さから, ソフトロボットの力学をモデル化することは一般的に困難であり, ソフトロボットを正確に制御するためのモデルベース手法を用いることは困難である。 ソフトロボットをシミュレートするためには、偏微分方程式を直接数値シミュレーションする必要があることが多い。 これは正確な数値モデルを必要とするだけでなく、ソフトロボットのモデリングを遅くて高価なものにする。 ディープラーニングアルゴリズムは、ソフトロボットのデータ駆動モデリングにおける約束を示している。 しかし、これらのアルゴリズムは通常大量のデータを必要とするため、ソフトロボットのシミュレーションや実世界の実験では入手が困難である。 本研究では、第一原理物理学モデルとニューラル常微分方程式を組み合わせたフレームワークであるKNODE-Cosseratを提案する。 私たちは、物理学に基づくモデルの一般化能力とディープラーニング手法の高速化という、両方の世界から最高のものを活用しています。 シミュレーションと実世界の実験の両方において、我々のフレームワークを検証する。 どちらの場合も、異なる指標の下では、ロボットモデルはベースラインモデルよりも大幅に改善されることを示す。

関連論文リスト

• DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative Diffusion Models [102.13968267347553]
  本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。 我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
  論文  参考訳（メタデータ） (2023-11-28T18:58:48Z)
• Direct and inverse modeling of soft robots by learning a condensed FEM model [3.4696964555947694]
  本稿では,コンパクトだが十分にリッチな機械表現を得るための学習に基づく手法を提案する。 2本の柔らかい指からなるグリップの例で、特に個別に学習したモデルをどう組み合わせるかを示す。 この研究は、ソフトロボットの組込み制御だけでなく、その設計にも新たな視点を開放する。
  論文  参考訳（メタデータ） (2023-07-21T08:07:16Z)
• GenLoco: Generalized Locomotion Controllers for Quadrupedal Robots [87.32145104894754]
  四足歩行ロボットのための汎用ロコモーション(GenLoco)コントローラを訓練するためのフレームワークを提案する。 本フレームワークは,多種多様な四足歩行ロボットに展開可能な汎用ロコモーションコントローラを合成する。 我々のモデルは、より一般的な制御戦略を取得し、新しいシミュレーションロボットや実世界のロボットに直接移行できることを示す。
  論文  参考訳（メタデータ） (2022-09-12T15:14:32Z)
• 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)
• RoboCraft: Learning to See, Simulate, and Shape Elasto-Plastic Objects with Graph Networks [32.00371492516123]
  弾塑性物体のモデリングと操作のためのモデルベース計画フレームワークを提案する。 我々のシステムであるRoboCraftは、グラフニューラルネットワーク(GNN)を用いて粒子ベースの力学モデルを学び、基礎となるシステムの構造を捉える。 実世界のロボットインタラクションデータの10分で、ロボットは制御信号を合成し、弾塑性の物体を様々な形状に変形させるダイナミックスモデルを学習できることを示す。
  論文  参考訳（メタデータ） (2022-05-05T20:28:15Z)
• REvolveR: Continuous Evolutionary Models for Robot-to-robot Policy Transfer [57.045140028275036]
  本研究では,運動学や形態学など,異なるパラメータを持つ2つの異なるロボット間でポリシーを伝達する問題を考察する。 模倣学習手法を含む動作や状態遷移の分布を一致させることで、新しいポリシーを訓練する既存のアプローチは、最適な動作や/または状態分布が異なるロボットでミスマッチしているために失敗する。 本稿では,物理シミュレータに実装されたロボット政策伝達に連続的進化モデルを用いることで,$RevolveR$という新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-02-10T18:50:25Z)
• Robot Learning from Randomized Simulations: A Review [59.992761565399185]
  ディープラーニングがロボティクス研究のパラダイムシフトを引き起こし、大量のデータを必要とする方法が好まれている。 最先端のアプローチは、データ生成が高速かつ安価であるシミュレーションで学ぶ。 本稿では,ランダム化シミュレーションから学習する手法である「領域ランダム化」に焦点をあてる。
  論文  参考訳（メタデータ） (2021-11-01T13:55:41Z)
• Sim2Sim Evaluation of a Novel Data-Efficient Differentiable Physics Engine for Tensegrity Robots [10.226310620727942]
  シミュレーションにおける学習ポリシーは、ロボットコントローラーを訓練する際の人間の労力を減らすことを約束している。 Sim2realのギャップは、シミュレーションから本物のロボットへのポリシーの転送に成功するための主要な障壁である。 この研究は、データ駆動のエンドツーエンドの微分可能シミュレータを提案する。
  論文  参考訳（メタデータ） (2020-11-10T06:19:54Z)
• Deep Imitation Learning for Bimanual Robotic Manipulation [70.56142804957187]
  本稿では,ロボットによるバイマニュアル操作のための深層模倣学習フレームワークを提案する。 中心となる課題は、操作スキルを異なる場所にあるオブジェクトに一般化することである。 i)マルチモーダルダイナミクスを要素運動プリミティブに分解し、(ii)リカレントグラフニューラルネットワークを用いて各プリミティブをパラメータ化して相互作用を捕捉し、(iii)プリミティブを逐次的に構成する高レベルプランナと、プリミティブダイナミクスと逆運動学制御を組み合わせた低レベルコントローラを統合することを提案する。
  論文  参考訳（メタデータ） (2020-10-11T01:40:03Z)
• Behavioral Repertoires for Soft Tensegrity Robots [0.0]
  モバイルソフトロボットは、都市探索や救助から惑星探査まで幅広い分野に魅力的な応用を提供している。 ソフト・ロボット・コントロールの重要な課題は、ソフト・マテリアルが課す非線形力学が、しばしば非直感的でモデル化や予測が難しい複雑な振る舞いをもたらすことである。 本研究では,ロボット力学の事前知識がなく,人間の介入が最小限である行動レパートリーを自律的に生成する物理ソフトな緊張ロボット上で,モデルフリーで動作する品質多様性アルゴリズムを用いる。
  論文  参考訳（メタデータ） (2020-09-23T00:09:35Z)

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。