論文の概要: Adaptive Model-Predictive Control of a Soft Continuum Robot Using a Physics-Informed Neural Network Based on Cosserat Rod Theory

• arxiv url: http://arxiv.org/abs/2508.12681v1
• Date: Mon, 18 Aug 2025 07:24:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:11.057143
• Title: Adaptive Model-Predictive Control of a Soft Continuum Robot Using a Physics-Informed Neural Network Based on Cosserat Rod Theory
• Title（参考訳）: コセラットロッド理論に基づく物理インフォームドニューラルネットワークを用いたソフト連続ロボットの適応モデル予測制御
• Authors: Johann Licher, Max Bartholdt, Henrik Krauss, Tim-Lukas Habich, Thomas Seel, Moritz Schappler,
• Abstract要約: 本研究は、ドメイン分割物理インフォームドニューラルネットワーク(DD-PINN)に基づくSCRのためのリアルタイム対応非線形モデル予測制御(MPC)フレームワークを導入する。 シミュレーションでは、動的軌跡の正確な追跡と3mm以下の端点位置誤差によるセットポイント制御が示される。 実世界の実験では、コントローラーも同様の精度と加速を3.55 m/s2まで達成している。
• 参考スコア（独自算出の注目度）: 2.7114475063296455
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dynamic control of soft continuum robots (SCRs) holds great potential for expanding their applications, but remains a challenging problem due to the high computational demands of accurate dynamic models. While data-driven approaches like Koopman-operator-based methods have been proposed, they typically lack adaptability and cannot capture the full robot shape, limiting their applicability. This work introduces a real-time-capable nonlinear model-predictive control (MPC) framework for SCRs based on a domain-decoupled physics-informed neural network (DD-PINN) with adaptable bending stiffness. The DD-PINN serves as a surrogate for the dynamic Cosserat rod model with a speed-up factor of 44000. It is also used within an unscented Kalman filter for estimating the model states and bending compliance from end-effector position measurements. We implement a nonlinear evolutionary MPC running at 70 Hz on the GPU. In simulation, it demonstrates accurate tracking of dynamic trajectories and setpoint control with end-effector position errors below 3 mm (2.3% of the actuator's length). In real-world experiments, the controller achieves similar accuracy and accelerations up to 3.55 m/s2.
• Abstract（参考訳）: ソフト連続ロボット(SCR)の動的制御は、その応用を拡大する大きな可能性を秘めているが、正確な動的モデルの高い計算要求のため、依然として難しい問題である。 Koopman-operator-based法のようなデータ駆動型アプローチが提案されているが、適応性に欠け、完全なロボットの形状を捉えることができず、適用性が制限されている。 本研究は、適応性のある曲げ剛性を持つ領域分離型物理インフォームドニューラルネットワーク(DD-PINN)に基づいて、SCRのためのリアルタイム対応非線形モデル予測制御(MPC)フレームワークを導入する。 DD-PINNは動的コセラットロッドモデルのサロゲートとして機能し、スピードアップ係数は44000である。 また、モデル状態の推定や、エンドエフェクタ位置測定からの曲げコンプライアンスのために、アクセントのないカルマンフィルタでも使用されている。 我々はGPU上で70Hzで動作する非線形進化的MPCを実装した。 シミュレーションでは、3mm以下(アクチュエータの長さの2.3%)のエンドエフェクタ位置誤差を持つ動的軌跡の正確な追跡とセットポイント制御が示される。 実世界の実験では、コントローラーも同様の精度と加速を3.55 m/s2まで達成している。

関連論文リスト

• Context-Aware Deep Lagrangian Networks for Model Predictive Control [17.06619330822293]
  本研究では,Deep Lagrangian Networks (DeLaN)を拡張し,コンテキスト認識を実現する。 また、DeLaNと残留力学モデルを組み合わせることで、ロボットの名目モデルが一般的に利用可能であるという事実を活用する。 本手法は, ベースラインで達成した21%の改善に比べ, エンドエフェクタ追跡誤差を39%削減する。
  論文  参考訳（メタデータ） (2025-06-18T08:26:30Z)
• Generalizable and Fast Surrogates: Model Predictive Control of Articulated Soft Robots using Physics-Informed Neural Networks [4.146337610044239]
  本研究では,データ効率を重視した音声ソフトロボット(ASR)のための物理インフォームドニューラルネットワーク(PINN)を提案する。 リカレントニューラルネットワークとは対照的に、PINNは高い一般化性を提供する。 精度の高いFPモデルの予測速度は、PINNで最大467倍、わずかに精度が低下する。
  論文  参考訳（メタデータ） (2025-02-04T01:16:33Z)
• End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
  本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。 エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-03T10:21:53Z)
• RAMP-Net: A Robust Adaptive MPC for Quadrotors via Physics-informed Neural Network [6.309365332210523]
  本稿では、単純なODEとデータの一部をトレーニングしたニューラルネットワークを用いて、PINN(RAMP-Net)を介してロバスト適応MPCフレームワークを提案する。 我々は,SOTA回帰に基づく2つのMPC法と比較して,0.5～1.75m/sの追跡誤差を7.8%から43.2%,8.04%から61.5%削減した。
  論文  参考訳（メタデータ） (2022-09-19T16:11:51Z)
• Real-time Neural-MPC: Deep Learning Model Predictive Control for Quadrotors and Agile Robotic Platforms [59.03426963238452]
  モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。 ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
  論文  参考訳（メタデータ） (2022-03-15T09:38:15Z)
• OSCAR: Data-Driven Operational Space Control for Adaptive and Robust Robot Manipulation [50.59541802645156]
  オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。 本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。 本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2021-10-02T01:21:38Z)

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。