論文の概要: Data-Driven Prediction of Dynamic Interactions Between Robot Appendage and Granular Material

• arxiv url: http://arxiv.org/abs/2506.10875v1
• Date: Thu, 12 Jun 2025 16:43:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.841188
• Title: Data-Driven Prediction of Dynamic Interactions Between Robot Appendage and Granular Material
• Title（参考訳）: ロボットとグラニュラー材料との動的相互作用に関するデータ駆動予測
• Authors: Guanjin Wang, Xiangxue Zhao, Shapour Azarm, Balakumar Balachandran,
• Abstract要約: 別のデータ駆動型モデリング手法が提案され、特定の長さスケールでの粒状地形とのロボットの動きの相互作用に関する洞察を得ることができた。 このアプローチは,高忠実度シミュレーションデータのオフライン収集とスパース実験データの集合から得られるオフラインデータに基づいて,オンラインで使用することができる。 結果は、オンラインとオフラインの両方のフェーズにおいて、未知の複雑な地形におけるロボットのナビゲーションと探索を支援することが期待されている。
• 参考スコア（独自算出の注目度）: 2.551529992410986
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An alternative data-driven modeling approach has been proposed and employed to gain fundamental insights into robot motion interaction with granular terrain at certain length scales. The approach is based on an integration of dimension reduction (Sequentially Truncated Higher-Order Singular Value Decomposition), surrogate modeling (Gaussian Process), and data assimilation techniques (Reduced Order Particle Filter). This approach can be used online and is based on offline data, obtained from the offline collection of high-fidelity simulation data and a set of sparse experimental data. The results have shown that orders of magnitude reduction in computational time can be obtained from the proposed data-driven modeling approach compared with physics-based high-fidelity simulations. With only simulation data as input, the data-driven prediction technique can generate predictions that have comparable accuracy as simulations. With both simulation data and sparse physical experimental measurement as input, the data-driven approach with its embedded data assimilation techniques has the potential in outperforming only high-fidelity simulations for the long-horizon predictions. In addition, it is demonstrated that the data-driven modeling approach can also reproduce the scaling relationship recovered by physics-based simulations for maximum resistive forces, which may indicate its general predictability beyond a case-by-case basis. The results are expected to help robot navigation and exploration in unknown and complex terrains during both online and offline phases.
• Abstract（参考訳）: 別のデータ駆動型モデリング手法が提案され、特定の長さスケールでの粒状地形とのロボットの動きの相互作用に関する基本的な知見を得るために採用されている。 この手法は,次元縮小(逐次的縮合高次特異値分解),代理モデリング(ガウス過程),データ同化技術(再現次数粒子フィルタ)の統合に基づいている。 このアプローチは,高忠実度シミュレーションデータのオフライン収集とスパース実験データの集合から得られるオフラインデータに基づいて,オンラインで使用することができる。 その結果,物理に基づく高忠実度シミュレーションと比較して,データ駆動型モデリング手法により計算時間を大幅に削減できることがわかった。 シミュレーションデータのみを入力として、データ駆動予測技術は、シミュレーションと同等の精度の予測を生成することができる。 シミュレーションデータとスパース物理実験測定の両方を入力として、その組込みデータ同化技術を用いたデータ駆動アプローチは、長期水平予測のための高忠実度シミュレーションに勝る可能性がある。 さらに,データ駆動モデリング手法は,最大抵抗力の物理シミュレーションにより得られたスケーリング関係を再現できることを示した。 結果は、オンラインとオフラインの両方の段階で、未知の複雑な地形でロボットのナビゲーションと探索を支援することが期待されている。

関連論文リスト

• Embed and Emulate: Contrastive representations for simulation-based inference [11.543221890134399]
  本稿では,新しいシミュレーションベース推論(SBI)手法であるEmbed and Emulate(E&E)を紹介する。 E&Eはデータと対応する高速エミュレータの低次元潜伏埋め込みを潜伏空間に学習する。 本研究では,現実的なパラメータ推定タスクにおいて,既存の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-09-27T02:37:01Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Simulation-based Inference for High-dimensional Data using Surjective Sequential Neural Likelihood Estimation [45.9982965995401]
  我々はSBI(Surjective Sequential Neural Likelihood Estimation)という,シミュレーションベース推論(SBI)手法のファミリーにおける新しいメンバーを提案する。 SSNL は次元共振型正規化フローモデルに適合し、マルコフ連鎖モンテカルロあるいは変分ベイズ法による計算推論を可能にする代理可能性関数として利用する。 SSNLは、天体物理学と神経科学の文献から得られた2つの挑戦的な実例を含む、多種多様な実験で評価し、その成果が、最先端の手法に匹敵するか、同等であることを示す。
  論文  参考訳（メタデータ） (2023-08-02T10:02:38Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)
• Transfer learning suppresses simulation bias in predictive models built from sparse, multi-modal data [15.587831925516957]
  科学、工学、ビジネスにおける多くの問題は、ごくわずかな観察に基づく予測を必要とする。 堅牢な予測モデルを構築するには、特に設計空間が多次元である場合、これらのスパースデータをシミュレーションデータで拡張する必要がある。 ディープラーニングの最近の開発を組み合わせて、マルチモーダルデータからより堅牢な予測モデルを構築します。
  論文  参考訳（メタデータ） (2021-04-19T23:28:32Z)
• Simulation-based inference methods for particle physics [12.451050883955071]
  高次元LHCデータの可能性関数が明示的に評価できない理由、なぜこれがデータ解析に重要であるのか、そしてこの問題を回避するためにフィールドが伝統的に行ってきたことを再検討する。 次に,機械学習技術とシミュレータからの情報を組み合わせることで,高次元データを直接解析するシミュレーションベース推論手法について検討する。
  論文  参考訳（メタデータ） (2020-10-13T14:55:28Z)

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。