論文の概要: Interpretable Robotic Friction Learning via Symbolic Regression

• arxiv url: http://arxiv.org/abs/2505.13186v1
• Date: Mon, 19 May 2025 14:44:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.66132
• Title: Interpretable Robotic Friction Learning via Symbolic Regression
• Title（参考訳）: シンボリック回帰によるロボット摩擦学習の解釈
• Authors: Philipp Scholl, Alexander Dietrich, Sebastian Wolf, Jinoh Lee, Alin-Albu Schäffer, Gitta Kutyniok, Maged Iskandar,
• Abstract要約: ロボット関節における摩擦トルクの正確なモデリングは、堅牢な数学的記述の要求により、長い間困難であった。 伝統的なモデルに基づくアプローチは、しばしば労働集約的であり、広範な実験と専門家の知識を必要とする。 ニューラルネットワークに基づくデータ駆動方式は実装が容易だが、堅牢性に欠けることが多い。
• 参考スコア（独自算出の注目度）: 52.41267112707149
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Accurately modeling the friction torque in robotic joints has long been challenging due to the request for a robust mathematical description. Traditional model-based approaches are often labor-intensive, requiring extensive experiments and expert knowledge, and they are difficult to adapt to new scenarios and dependencies. On the other hand, data-driven methods based on neural networks are easier to implement but often lack robustness, interpretability, and trustworthiness--key considerations for robotic hardware and safety-critical applications such as human-robot interaction. To address the limitations of both approaches, we propose the use of symbolic regression (SR) to estimate the friction torque. SR generates interpretable symbolic formulas similar to those produced by model-based methods while being flexible to accommodate various dynamic effects and dependencies. In this work, we apply SR algorithms to approximate the friction torque using collected data from a KUKA LWR-IV+ robot. Our results show that SR not only yields formulas with comparable complexity to model-based approaches but also achieves higher accuracy. Moreover, SR-derived formulas can be seamlessly extended to include load dependencies and other dynamic factors.
• Abstract（参考訳）: ロボット関節における摩擦トルクの正確なモデリングは、堅牢な数学的記述の要求により、長い間困難であった。 従来のモデルベースのアプローチは、しばしば労働集約的であり、広範な実験と専門家の知識を必要とし、新しいシナリオや依存関係に適応することが困難である。 一方、ニューラルネットワークに基づくデータ駆動方式は実装が容易だが、堅牢性、解釈可能性、信頼性に欠けることが多い。 両手法の限界に対処するために, 摩擦トルクを推定するために, シンボル回帰(SR)を用いることを提案する。 SRは、様々な動的効果や依存に柔軟に対応しつつ、モデルベースの手法で作成されたものと類似した解釈可能な記号式を生成する。 本研究では,KUKA LWR-IV+ロボットから収集したデータを用いて,SRアルゴリズムを用いて摩擦トルクを近似する。 以上の結果から,SRはモデルベースアプローチに匹敵する複雑性を持つ式を生成するだけでなく,精度も向上することがわかった。 さらに、SR由来の公式は、負荷依存やその他の動的要因を含むようにシームレスに拡張できる。

関連論文リスト

• Learning Transferable Friction Models and LuGre Identification via Physics Informed Neural Networks [4.432363122731454]
  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。
  論文  参考訳（メタデータ） (2025-04-16T19:15:48Z)
• 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 [50.72489248401199]
  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。 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)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• IQ-Learn: Inverse soft-Q Learning for Imitation [95.06031307730245]
  少数の専門家データからの模倣学習は、複雑な力学を持つ高次元環境では困難である。 行動クローニングは、実装の単純さと安定した収束性のために広く使われている単純な方法である。 本稿では,1つのQ-関数を学習することで,対向学習を回避する動的適応型ILを提案する。
  論文  参考訳（メタデータ） (2021-06-23T03:43:10Z)
• 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)

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。