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
• 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

• Model Predictive Control of Tensegrity Robots via Contact-Aware Graph Neural Dynamics Model [7.6062899503507815]
  本研究では,学習グラフニューラルネットワーク(GNN)ダイナミックスモデルにより駆動される3バー張力ロボットのためのモデル予測経路積分(MPPI)コントローラを提案する。 MuJoCoでは、壁の障害物、傾斜線、狭い廊下、低クリアランス構造、複合3D障害物コースを含む5つのナビゲーションタスクで実験が行われている。 その結果, 複雑な接触環境下では, 学習力学とサンプリングベースモデル予測制御が組み合わさって, 強靭な引張ナビゲーションを可能にすることがわかった。
  論文  参考訳（メタデータ） (2026-09-08T16:14:25Z)
• A Neural Network Based Teleoperation for Remote Controlled Vehicles [98.38733381483934]
  車両の直接遠隔操作は重要な技術的ボトルネックに直面している。 通信遅延とオペレーターの 物理的に知覚できない 未モデル化の環境障害。 本稿では,一方的な遠隔操作フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-11T01:51:08Z)
• Learning Context-Aware Neural ODE Dynamics for Adaptive Robotic Control [55.01272784312405]
  本稿では,ニューラル常微分方程式に基づく文脈認識力学モデルを提案する。 Sphero BOLTロボットとFanucマニピュレータを実世界の実験で使用した。
  論文  参考訳（メタデータ） (2026-06-13T20:55:46Z)
• Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
  Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。 本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。 このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
  論文  参考訳（メタデータ） (2026-04-10T17:12:07Z)
• Towards Dynamic Model Identification and Gravity Compensation for the dVRK-Si Patient Side Manipulator [6.433947788491395]
  最近導入されたdVRK-Siは再設計された患者側マニピュレータ (PSM) を備えており、より大きな重力負荷を備えている。 本稿では,dVRK-Si PSMのためのキネマティックおよび動的モデリングフレームワークについて述べる。 物理的dVRK-Siの実験では、重力補償が定常的な関節の誤差を68-84%減少させることが示された。
  論文  参考訳（メタデータ） (2026-03-12T16:06:16Z)
• Physics-informed Neural-operator Predictive Control for Drag Reduction in Turbulent Flows [109.99020160824553]
  乱流のモデリングと制御のための効率的な深部強化学習フレームワークを提案する。 予測制御(PC)のためのモデルベースRLであり、乱流制御のためのポリシとオブザーバモデルの両方を共同で学習する。 その結果, PINO-PCは, バルク速度レイノルズ数15,000で39.0%の抗力低下を達成し, 従来の流体制御法を32%以上上回った。
  論文  参考訳（メタデータ） (2025-10-03T00:18:26Z)
• Forecasting Continuous Non-Conservative Dynamical Systems in SO(3) [51.510040541600176]
  コンピュータビジョンにおける移動物体の回転をモデル化するための新しい手法を提案する。 我々のアプローチは、入力ノイズに対して頑健でありながら、エネルギーと運動量保存に非依存である。 トレーニング中の雑音状態から物体のダイナミクスを近似させることで、シミュレーションや様々な現実世界の設定において頑健な外挿能力が得られる。
  論文  参考訳（メタデータ） (2025-08-11T09:03:10Z)
• 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)
• DIMM: Decoupled Multi-hierarchy Kalman Filter for 3D Object Tracking [50.038098341549095]
  状態推定は、高い操作性を持つ3次元物体追跡において困難である。 本稿では,各方向の異なる動きモデルから推定される推定を効果的に組み合わせる新しいフレームワークであるDIMMを提案する。 DIMMは既存の状態推定手法のトラッキング精度を31.61%99.23%向上させる。
  論文  参考訳（メタデータ） (2025-05-18T10:12:41Z)
• 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-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• 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)
• Research on the Inverse Kinematics Prediction of a Soft Biomimetic Actuator via BP Neural Network [5.694781677024249]
  本研究では,3室駆動のソフトバイオミメティックアクチュエータの動作計画における逆運動論的問題に対処する。 本稿では,3次元空間を移動するソフトバイオミメティックアクチュエータの逆動力学を学習するバックプロパゲーションニューラルネットワークを提案する。 提案アルゴリズムは解析モデルよりも精度が高い。
  論文  参考訳（メタデータ） (2021-10-26T05:24:39Z)
• 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)
• Learning Adaptive Control for SE(3) Hamiltonian Dynamics [15.26733033527393]
  本稿では, 地上, 空中, 水中などの剛体システムに対する適応的幾何制御法を開発した。 我々は、状態制御軌道データから学習したニューラル常微分方程式ネットワークを用いて、系の力学のハミルトンモデルを学ぶ。 第2段階では、エネルギーベースの観点から外乱補償を施した軌道追従制御器を設計する。
  論文  参考訳（メタデータ） (2021-09-21T05:54:28Z)

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。