論文の概要: Newtonian and Lagrangian Neural Networks: A Comparison Towards Efficient Inverse Dynamics Identification

• arxiv url: http://arxiv.org/abs/2506.17994v1
• Date: Sun, 22 Jun 2025 11:13:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.689054
• Title: Newtonian and Lagrangian Neural Networks: A Comparison Towards Efficient Inverse Dynamics Identification
• Title（参考訳）: ニュートンニューラルネットとラグランジアンニューラルネット:効率的な逆ダイナミクス同定のための比較
• Authors: Minh Trinh, Andreas René Geist, Josefine Monnet, Stefan Vilceanu, Sebastian Trimpe, Christian Brecher,
• Abstract要約: 逆動力学モデルは 産業ロボットの制御に欠かせない道具です 最近の研究は、ニューラルネットワークの回帰とニュートン・オイラーの逆ダイナミクスの定式化と、オイラー・ラグランジュ運動方程式を組み合わせたものである。 関節トルクを直接測定する代わりに運動トルクを推定した場合、ラグランジアンネットワークはニュートンネットワークに比べて効果が低いことを示す。
• 参考スコア（独自算出の注目度）: 4.944755387513455
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Accurate inverse dynamics models are essential tools for controlling industrial robots. Recent research combines neural network regression with inverse dynamics formulations of the Newton-Euler and the Euler-Lagrange equations of motion, resulting in so-called Newtonian neural networks and Lagrangian neural networks, respectively. These physics-informed models seek to identify unknowns in the analytical equations from data. Despite their potential, current literature lacks guidance on choosing between Lagrangian and Newtonian networks. In this study, we show that when motor torques are estimated instead of directly measuring joint torques, Lagrangian networks prove less effective compared to Newtonian networks as they do not explicitly model dissipative torques. The performance of these models is compared to neural network regression on data of a MABI MAX 100 industrial robot.
• Abstract（参考訳）: 産業ロボットの制御には,正確な逆動力学モデルが不可欠である。 最近の研究は、ニューラルネットワークの回帰とニュートン・オイラーの逆ダイナミクスの定式化、そしてオイラー・ラグランジュの運動方程式を組み合わせることで、ニュートンニューラルネットワークとラグランジュニューラルネットワークと呼ばれる。 これらの物理インフォームドモデルは、データから解析方程式の未知を識別しようとする。 その可能性にもかかわらず、現在の文献はラグランジアンとニュートンのネットワークの選択に関するガイダンスを欠いている。 本研究では, 直接関節トルクを測定するのではなく, 運動トルクを推定した場合, ラグランジアンネットワークは明らかに散逸トルクをモデル化しないため, ニュートンネットワークに比べて効果が低いことを示す。 これらのモデルの性能は、MABI MAX 100産業用ロボットのデータによるニューラルネットワークの回帰と比較される。

関連論文リスト

• Data-Driven Dynamic Friction Models based on Recurrent Neural Networks [0.0]
  ゲーテッド・リカレント・ユニット(GRU)アーキテクチャに基づくリカレントニューラルネットワーク(RNN)は、合成データからレート・アンド・ステート摩擦法則の複雑な力学を学習する能力を有する。 その結果, GRUをベースとしたRNNは, 速度ジャンプによる摩擦係数の変化を効果的に予測できることがわかった。
  論文  参考訳（メタデータ） (2024-02-21T22:11:01Z)
• Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
  我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。 新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。 我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
  論文  参考訳（メタデータ） (2024-02-20T15:23:24Z)
• 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)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
  本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。 メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
  論文  参考訳（メタデータ） (2022-02-21T18:59:03Z)
• 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)
• From Boltzmann Machines to Neural Networks and Back Again [31.613544605376624]
  制限ボルツマンマシン(Restricted Boltzmann Machines)は、おそらく最もよく研究されている潜在変数モデルのクラスである。 我々の結果は、$ell_infty$bounded inputの下で二層ニューラルネットワークを学習するための新しい接続に基づいている。 次に,分散仮定を使わずに,関連するネットワークのクラスに対して可能なものよりも,より優れたランタイムで教師付きRAMの自然なクラスを学習するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-25T00:42:50Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)

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。