論文の概要: Learning Transferable Friction Models and LuGre Identification via Physics Informed Neural Networks

• arxiv url: http://arxiv.org/abs/2504.12441v1
• Date: Wed, 16 Apr 2025 19:15:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-18 14:35:08.268470
• Title: Learning Transferable Friction Models and LuGre Identification via Physics Informed Neural Networks
• Title（参考訳）: 物理インフォームドニューラルネットワークによる伝達可能な摩擦モデルの学習とLuGre同定
• Authors: Asutay Ozmen, João P. Hespanha, Katie Byl,
• Abstract要約: 物理インフォームド摩擦モデルと学習可能なコンポーネントを統合するための摩擦推定フレームワークを提案する。 われわれのアプローチは物理的な一貫性を強制するが、現実の複雑さに適応する柔軟性は維持する。 我々のアプローチは、学習したモデルを訓練されていないシステムに転送できるようにする。
• 参考スコア（独自算出の注目度）: 4.432363122731454
• License:
• Abstract: Accurately modeling friction in robotics remains a core challenge, as robotics simulators like Mujoco and PyBullet use simplified friction models or heuristics to balance computational efficiency with accuracy, where these simplifications and approximations can lead to substantial differences between simulated and physical performance. In this paper, we present a physics-informed friction estimation framework that enables the integration of well-established friction models with learnable components-requiring only minimal, generic measurement data. Our approach enforces physical consistency yet retains the flexibility to adapt to real-world complexities. We demonstrate, on an underactuated and nonlinear system, that the learned friction models, trained solely on small and noisy datasets, accurately simulate dynamic friction properties and reduce the sim-to-real gap. Crucially, we show that our approach enables the learned models to be transferable to systems they are not trained on. This ability to generalize across multiple systems streamlines friction modeling for complex, underactuated tasks, offering a scalable and interpretable path toward bridging the sim-to-real gap in robotics and control.
• Abstract（参考訳）: MujocoやPyBulletのようなロボットシミュレーターは、単純化された摩擦モデルやヒューリスティックを使って計算効率と精度のバランスをとる。 本稿では, 物理インフォームド摩擦推定フレームワークを提案する。このフレームワークにより, 既定の摩擦モデルと学習可能成分の統合が可能となり, 最小限の汎用的な測定データのみが得られる。 われわれのアプローチは物理的な一貫性を強制するが、現実の複雑さに適応する柔軟性は維持する。 我々は, 学習された摩擦モデルが, 小さく, ノイズの多いデータセットのみに基づいて訓練され, 動的摩擦特性を正確にシミュレートし, シミュレート・トゥ・リアルギャップを低減できることを, 不安定で非線形なシステムで実証した。 重要なことに、我々のアプローチは、学習したモデルを訓練されていないシステムに転送できるようにする。 複数のシステムにまたがるこの能力は、複雑で不安定なタスクのための摩擦モデリングを効率化し、ロボット工学と制御におけるシム・トゥ・リアルのギャップを埋めるためのスケーラブルで解釈可能なパスを提供する。

関連論文リスト

• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• Probabilistic Latent Variable Modeling for Dynamic Friction Identification and Estimation [2.638878351659023]
  ロボット工学における動的モデルの同定は、制御設計、摩擦補償、出力トルク推定をサポートするために不可欠である。 本稿では,潜伏状態を用いたロボット関節の未同定ダイナミクスについて考察する。 予測最大化 (EM) アルゴリズムを用いてモデルパラメータの近似最大推定 (MLE) を求める。
  論文  参考訳（メタデータ） (2024-12-20T10:16:18Z)
• Learning-based adaption of robotic friction models [48.453527255659296]
  我々は、可能な限り少ないデータを用いて、既存の摩擦モデルを新しいダイナミクスに適用するための新しいアプローチを導入する。 提案する推定器は,従来のモデルベースアプローチとベースニューラルネットワークを著しく上回る性能を示した。 本手法はトレーニング中に外部負荷を伴うデータに依存しないため,外部トルクセンサは不要である。
  論文  参考訳（メタデータ） (2023-10-25T14:50:15Z)
• Scientific Machine Learning for Modeling and Simulating Complex Fluids [0.0]
  レオロジー方程式は複雑な流体の内部応力と変形を関連づける。 データ駆動モデルは、高価な第一原理モデルに代わる、アクセス可能な代替手段を提供する。 複素流体の類似モデルの開発が遅れている。
  論文  参考訳（メタデータ） (2022-10-10T04:35:31Z)
• 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)
• End-to-End Learning of Hybrid Inverse Dynamics Models for Precise and Compliant Impedance Control [16.88250694156719]
  剛体力学モデルの物理的に一貫した慣性パラメータを同定できる新しいハイブリッドモデルの定式化を提案する。 7自由度マニピュレータ上での最先端の逆動力学モデルに対する我々のアプローチを比較した。
  論文  参考訳（メタデータ） (2022-05-27T07:39:28Z)
• Differentiable Simulation of Soft Multi-body Systems [99.4302215142673]
  我々は、Projective Dynamics内でトップダウン行列アセンブリアルゴリズムを開発する。 筋肉,関節トルク,空気圧管によって駆動される軟口蓋体に対して,異なる制御機構を導出する。
  論文  参考訳（メタデータ） (2022-05-03T20:03:22Z)
• Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
  データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。 ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。 ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
  論文  参考訳（メタデータ） (2022-04-09T22:07:34Z)
• Learning physics-informed simulation models for soft robotic manipulation: A case study with dielectric elastomer actuators [21.349079159359746]
  柔らかいアクチュエータは、緩やかな握りや器用な動きといったロボット作業に対して安全かつ適応的なアプローチを提供する。 このようなシステムを制御するための正確なモデルを作成することは、変形可能な物質の複雑な物理のために困難である。 本稿では,微分可能シミュレータと有限要素法の利点を組み合わせたフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-25T21:15:05Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• A Differentiable Contact Model to Extend Lagrangian and Hamiltonian Neural Networks for Modeling Hybrid Dynamics [10.019335078365705]
  本研究では,非摩擦・摩擦・非弾性の接触力学を捉えるための微分可能な接触モデルを提案する。 この枠組みは, 再構成係数と摩擦係数の異なる, 一連の挑戦的な2次元および3次元物理系上で実証する。
  論文  参考訳（メタデータ） (2021-02-12T22:02:41Z)

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。