論文の概要: Multifunctional physical reservoir computing in soft tensegrity robots

• arxiv url: http://arxiv.org/abs/2507.21496v1
• Date: Tue, 29 Jul 2025 04:33:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-30 17:08:55.660086
• Title: Multifunctional physical reservoir computing in soft tensegrity robots
• Title（参考訳）: 柔らかい張力ロボットにおける多機能物理貯水池計算
• Authors: Ryo Terajima, Katsuma Inoue, Kohei Nakajima, Yasuo Kuniyoshi,
• Abstract要約: 近年の研究では、物理系の力学を所望の情報処理に活用できることが示されている。 本研究では、このアプローチを拡張して、1つのだけでなく複数の動作をテングレティロボットと呼ばれるソフトロボットに組み込む。 トレーニングデータの外部に,システムの状態空間に「未学習の引き付け者」が存在することを示す。
• 参考スコア（独自算出の注目度）: 2.0686733932673604
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Recent studies have demonstrated that the dynamics of physical systems can be utilized for the desired information processing under the framework of physical reservoir computing (PRC). Robots with soft bodies are examples of such physical systems, and their nonlinear body-environment dynamics can be used to compute and generate the motor signals necessary for the control of their own behavior. In this simulation study, we extend this approach to control and embed not only one but also multiple behaviors into a type of soft robot called a tensegrity robot. The resulting system, consisting of the robot and the environment, is a multistable dynamical system that converges to different attractors from varying initial conditions. Furthermore, attractor analysis reveals that there exist "untrained attractors" in the state space of the system outside the training data. These untrained attractors reflect the intrinsic properties and structures of the tensegrity robot and its interactions with the environment. The impacts of these recent findings in PRC remain unexplored in embodied AI research. We here illustrate their potential to understand various features of embodied cognition that have not been fully addressed to date.
• Abstract（参考訳）: 近年の研究では,物理システムのダイナミクスを,物理貯水池コンピューティング(PRC)の枠組みの下で,所望の情報処理に活用できることが示されている。 柔らかい体を持つロボットはそのような物理的システムの例であり、その非線形体環境力学は、自身の行動を制御するために必要な運動信号の計算と生成に使用できる。 本研究では、この手法を1つのだけでなく複数の動作を、テングレティロボットと呼ばれるソフトロボットに組み込むように拡張する。 結果のシステムはロボットと環境で構成され、様々な初期条件から異なる誘引者に収束するマルチスタブルな力学系である。 さらに、アトラクタ分析により、トレーニングデータの外部のシステムの状態空間に「未学習のアトラクタ」が存在することが明らかになった。 これらの訓練されていない誘引器は、緊張ロボットの固有の性質と構造と環境との相互作用を反映している。 PRCにおけるこれらの最近の発見の影響は、まだ具体化されたAI研究において解明されていない。 ここでは、現在までに完全に解決されていない、具体的認知の様々な特徴を理解する可能性について説明する。

関連論文リスト

• Bayesian Inverse Physics for Neuro-Symbolic Robot Learning [13.63049975599771]
  現実世界のロボットアプリケーションは適応的で解釈可能で、データ効率のよい学習パラダイムを必要とする。 我々は、データ駆動学習と意図的に構造化された推論を組み合わせるための概念的枠組みを導入する。 このようなハイブリッドなニューロシンボリックアーキテクチャは、次世代の自律システムには不可欠である、と我々は主張する。
  論文  参考訳（メタデータ） (2025-06-10T12:53:31Z)
• Is Single-View Mesh Reconstruction Ready for Robotics? [63.29645501232935]
  本稿では,ロボット操作におけるディジタル双対環境構築のための単一視点メッシュ再構成モデルについて述べる。 ロボット工学の文脈における3次元再構成のベンチマーク基準を確立する。 コンピュータビジョンベンチマークの成功にもかかわらず、既存のアプローチはロボティクス固有の要件を満たしていない。
  論文  参考訳（メタデータ） (2025-05-23T14:35:56Z)
• Causality-enhanced Decision-Making for Autonomous Mobile Robots in Dynamic Environments [2.037693212747679]
  本稿では,電池使用量や人体障害を予測するための因果判定フレームワークを提案する。 また,文脈に敏感な人間とロボットの空間的相互作用をモデル化するために,ガゼボをベースとした新しいシミュレータを開発した。 我々の研究は、自律ロボットが人間と共有する動的環境において、因果推論によってより効率的かつ安全に操作できることを強調した。
  論文  参考訳（メタデータ） (2025-04-16T09:26:04Z)
• Learning Object Properties Using Robot Proprioception via Differentiable Robot-Object Interaction [52.12746368727368]
  微分可能シミュレーションは、システム識別の強力なツールとなっている。 本手法は,オブジェクト自体のデータに頼ることなく,ロボットからの情報を用いてオブジェクト特性を校正する。 低コストなロボットプラットフォームにおける本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2024-10-04T20:48:38Z)
• Bridging Active Exploration and Uncertainty-Aware Deployment Using Probabilistic Ensemble Neural Network Dynamics [11.946807588018595]
  本稿では,活発な探索と不確実性を考慮した展開を橋渡しするモデルベース強化学習フレームワークを提案する。 探索と展開の対立する2つのタスクは、最先端のサンプリングベースのMPCによって最適化されている。 自動運転車と車輪付きロボットの両方で実験を行い、探索と展開の両方に有望な結果を示します。
  論文  参考訳（メタデータ） (2023-05-20T17:20:12Z)
• Active Predicting Coding: Brain-Inspired Reinforcement Learning for Sparse Reward Robotic Control Problems [79.07468367923619]
  ニューラルジェネレーティブ・コーディング(NGC)の神経認知計算フレームワークによるロボット制御へのバックプロパゲーションフリーアプローチを提案する。 我々は、スパース報酬から動的オンライン学習を容易にする強力な予測符号化/処理回路から完全に構築されたエージェントを設計する。 提案するActPCエージェントは,スパース(外部)報酬信号に対して良好に動作し,複数の強力なバックプロップベースのRLアプローチと競合し,性能が優れていることを示す。
  論文  参考訳（メタデータ） (2022-09-19T16:49:32Z)
• Human-Robot Collaboration and Machine Learning: A Systematic Review of Recent Research [69.48907856390834]
  人間ロボットコラボレーション(Human-robot collaboration、HRC)とは、人間とロボットの相互作用を探索する手法である。 本稿では,HRCの文脈における機械学習技術の利用に関する詳細な文献レビューを提案する。
  論文  参考訳（メタデータ） (2021-10-14T15:14:33Z)
• Sensorimotor representation learning for an "active self" in robots: A model survey [10.649413494649293]
  人間では、これらの能力は宇宙で私たちの身体を知覚する能力と関連していると考えられている。 本稿では,これらの能力の発達過程について概説する。 人工エージェントにおける自己感覚の出現を可能にする理論計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-11-25T16:31:01Z)
• SAPIEN: A SimulAted Part-based Interactive ENvironment [77.4739790629284]
  SAPIENは現実的で物理に富んだシミュレートされた環境であり、音声オブジェクトのための大規模なセットをホストしている。 部品検出と動作特性認識のための最先端の視覚アルゴリズムの評価を行い,ロボットインタラクションタスクの実証を行った。
  論文  参考訳（メタデータ） (2020-03-19T00:11:34Z)

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。