論文の概要: Graph Neural Network-Based Predictive Modeling for Robotic Plaster Printing

• arxiv url: http://arxiv.org/abs/2503.24130v1
• Date: Mon, 31 Mar 2025 14:15:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:37:16.512779
• Title: Graph Neural Network-Based Predictive Modeling for Robotic Plaster Printing
• Title（参考訳）: グラフニューラルネットワークを用いたロボットプラスター印刷の予測モデル
• Authors: Diego Machain Rivera, Selen Ercan Jenny, Ping Hsun Tsai, Ena Lloret-Fritschi, Luis Salamanca, Fernando Perez-Cruz, Konstantinos E. Tatsis,
• Abstract要約: 本研究は、粒子ベース製造プロセスから得られる表面を予測するためのグラフニューラルネットワーク(GNN)モデリング手法を提案する。 GNNモデルはエンコーダ-プロセッサ-デコーダアーキテクチャで構成され、実験室テストのデータを用いて訓練されている。 提案モデルの性能は,未確認の真理データに対する予測誤差の観点から評価する。
• 参考スコア（独自算出の注目度）: 37.80005110808392
• License:
• Abstract: This work proposes a Graph Neural Network (GNN) modeling approach to predict the resulting surface from a particle based fabrication process. The latter consists of spray-based printing of cementitious plaster on a wall and is facilitated with the use of a robotic arm. The predictions are computed using the robotic arm trajectory features, such as position, velocity and direction, as well as the printing process parameters. The proposed approach, based on a particle representation of the wall domain and the end effector, allows for the adoption of a graph-based solution. The GNN model consists of an encoder-processor-decoder architecture and is trained using data from laboratory tests, while the hyperparameters are optimized by means of a Bayesian scheme. The aim of this model is to act as a simulator of the printing process, and ultimately used for the generation of the robotic arm trajectory and the optimization of the printing parameters, towards the materialization of an autonomous plastering process. The performance of the proposed model is assessed in terms of the prediction error against unseen ground truth data, which shows its generality in varied scenarios, as well as in comparison with the performance of an existing benchmark model. The results demonstrate a significant improvement over the benchmark model, with notably better performance and enhanced error scaling across prediction steps.
• Abstract（参考訳）: 本研究は、粒子ベース製造プロセスから得られる表面を予測するためのグラフニューラルネットワーク(GNN)モデリング手法を提案する。 後者は、壁面にセメント質のプラスターをスプレーで印刷し、ロボットアームを使用することで容易にできる。 予測は、位置、速度、方向などのロボットアームの軌道特性と印刷プロセスパラメータを用いて計算される。 提案手法は,壁領域とエンドエフェクタの粒子表現に基づいて,グラフベースの解を適用可能である。 GNNモデルはエンコーダ・プロセッサ・デコーダアーキテクチャで構成され、実験室でのデータを用いて訓練される。 本モデルの目的は, 印刷プロセスのシミュレータとして機能し, 最終的にロボットアームの軌道生成と印刷パラメータの最適化に利用し, 自律的な鋳造プロセスの実現を目指すことである。 提案モデルの性能は, 既往のベンチマークモデルと比較して, 様々なシナリオにおける一般性を示す不明瞭な真実データに対する予測誤差の観点から評価する。 その結果、ベンチマークモデルよりも大幅に改善され、特にパフォーマンスが向上し、予測ステップを越えたエラースケーリングが強化された。

関連論文リスト

• ASTRA: A Scene-aware TRAnsformer-based model for trajectory prediction [15.624698974735654]
  ASTRA (A Scene-aware TRAnsformer based model for trajectory prediction) は軽量な歩行者軌道予測モデルである。 我々は、U-Netベースの特徴抽出器を用いて、その潜在ベクトル表現を用いて、シーン表現をキャプチャし、グラフ対応トランスフォーマーエンコーダを用いて、ソーシャルインタラクションをキャプチャする。
  論文  参考訳（メタデータ） (2025-01-16T23:28:30Z)
• Data-Driven, Parameterized Reduced-order Models for Predicting Distortion in Metal 3D Printing [39.58317527488534]
  本研究では, レーザ粉層融合(LPBF)における歪み予測のためのデータ駆動型パラメータ化低次モデル(ROM)を提案する。 本稿では,正規直交分解(POD)とガウスプロセス回帰(GPR)を組み合わせたROMフレームワークを提案し,その性能をディープラーニングに基づくパラメータ化グラフ畳み込みオートエンコーダ(GCA)と比較する。 POD-GPRモデルは高い精度を示し、pm0.001mm$以内の歪みを予測し、約1800倍の計算速度を提供する。
  論文  参考訳（メタデータ） (2024-12-05T19:47:25Z)
• Scalable and Effective Negative Sample Generation for Hyperedge Prediction [55.9298019975967]
  ハイパーエッジ予測は、Webベースのアプリケーションにおける複雑なマルチエンタリティ相互作用を理解するために不可欠である。 従来の手法では、正と負のインスタンスの不均衡により、高品質な負のサンプルを生成するのが困難であることが多い。 本稿では,これらの課題に対処するために拡散モデルを利用するハイパーエッジ予測(SEHP)フレームワークのスケーラブルで効果的な負のサンプル生成について述べる。
  論文  参考訳（メタデータ） (2024-11-19T09:16:25Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• Multi-GPU Approach for Training of Graph ML Models on large CFD Meshes [0.0]
  メッシュベースの数値解法は多くのデザインツールチェーンにおいて重要な部分である。 機械学習に基づく代理モデルは近似解を予測するのに速いが、精度に欠けることが多い。 本稿では、グラフベース機械学習の領域から産業関連メッシュサイズまで、最先端のサロゲートモデルをスケールする。
  論文  参考訳（メタデータ） (2023-07-25T15:49:25Z)
• Precision-Recall Divergence Optimization for Generative Modeling with GANs and Normalizing Flows [54.050498411883495]
  本研究では,ジェネレーティブ・アドバイサル・ネットワークや正規化フローなどの生成モデルのための新しいトレーニング手法を開発した。 指定された精度-リコールトレードオフを達成することは、textitPR-divergencesと呼ぶ家族からのユニークな$f$-divergenceを最小化することを意味する。 当社のアプローチは,ImageNetなどのデータセットでテストした場合の精度とリコールの両面で,BigGANのような既存の最先端モデルの性能を向上させる。
  論文  参考訳（メタデータ） (2023-05-30T10:07:17Z)
• A Control-Centric Benchmark for Video Prediction [69.22614362800692]
  本稿では,アクション条件付きビデオ予測のベンチマークを,制御ベンチマークの形式で提案する。 私たちのベンチマークには、11のタスクカテゴリと310のタスクインスタンス定義を備えたシミュレーション環境が含まれています。 次に、ベンチマークを活用して、スケールするモデルサイズ、トレーニングデータの量、モデルアンサンブルの影響を調査します。
  論文  参考訳（メタデータ） (2023-04-26T17:59:45Z)
• Surrogate Modelling for Injection Molding Processes using Machine Learning [0.23090185577016442]
  射出成形は、複雑なプラスチックオブジェクトをモデル化するための最も一般的な製造方法の1つである。 モルドフローシミュレーションプロジェクトからのデータの抽出を含むデータ処理パイプラインのベースラインを提案する。 我々は,時間と偏向分布予測のための機械学習モデルを評価し,MSEおよびRMSEメトリクスのベースライン値を提供する。
  論文  参考訳（メタデータ） (2021-07-30T12:13:52Z)
• 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)
• GraphTCN: Spatio-Temporal Interaction Modeling for Human Trajectory Prediction [5.346782918364054]
  我々は,より効率的かつ正確な軌道予測を支援するために,新しいCNNベースの時空間グラフフレームワークGraphCNTを提案する。 従来のモデルとは対照的に,我々のモデルにおける空間的・時間的モデリングは各局所時間ウィンドウ内で計算される。 本モデルは,様々な軌道予測ベンチマークデータセットの最先端モデルと比較して,効率と精度の両面で優れた性能を実現する。
  論文  参考訳（メタデータ） (2020-03-16T12:56:12Z)

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。