論文の概要: End-to-End Low-Level Neural Control of an Industrial-Grade 6D Magnetic Levitation System

• arxiv url: http://arxiv.org/abs/2509.01388v1
• Date: Mon, 01 Sep 2025 11:33:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.66422
• Title: End-to-End Low-Level Neural Control of an Industrial-Grade 6D Magnetic Levitation System
• Title（参考訳）: 産業用6次元磁気浮上システムのエンド・ツー・エンド低レベルニューラル制御
• Authors: Philipp Hartmann, Jannick Stranghöner, Klaus Neumann,
• Abstract要約: 本稿では,6次元磁気浮上のための最初のニューラルコントローラを提案する。 プロプライエタリなコントローラからのインタラクションデータに基づいて、トレーニングされたエンドツーエンドで、生のセンサーデータと6D参照をコイル電流コマンドにマッピングする。 結果は、複雑な物理系における学習に基づく神経制御の実現可能性を明らかにする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Magnetic levitation is poised to revolutionize industrial automation by integrating flexible in-machine product transport and seamless manipulation. It is expected to become the standard drive for automated manufacturing. However, controlling such systems is inherently challenging due to their complex, unstable dynamics. Traditional control approaches, which rely on hand-crafted control engineering, typically yield robust but conservative solutions, with their performance closely tied to the expertise of the engineering team. In contrast, neural control learning presents a promising alternative. This paper presents the first neural controller for 6D magnetic levitation. Trained end-to-end on interaction data from a proprietary controller, it directly maps raw sensor data and 6D reference poses to coil current commands. The neural controller can effectively generalize to previously unseen situations while maintaining accurate and robust control. These results underscore the practical feasibility of learning-based neural control in complex physical systems and suggest a future where such a paradigm could enhance or even substitute traditional engineering approaches in demanding real-world applications. The trained neural controller, source code, and demonstration videos are publicly available at https://sites.google.com/view/neural-maglev.
• Abstract（参考訳）: 磁気浮上は、柔軟な機械内製品輸送とシームレスな操作を統合することで、産業の自動化に革命をもたらす。 自動製造の標準動力となることが期待されている。 しかし、そのようなシステムの制御は、その複雑で不安定なダイナミクスのために本質的に困難である。 手作りの制御工学に依存した従来の制御手法は、概して堅牢だが保守的なソリューションを生み出し、その性能はエンジニアリングチームの専門知識と密接に結びついている。 対照的に、ニューラルコントロール学習は有望な代替手段である。 本稿では,6次元磁気浮上のための最初のニューラルコントローラを提案する。 プロプライエタリなコントローラからのインタラクションデータに基づいて、トレーニングされたエンドツーエンドで、生のセンサーデータと6D参照をコイル電流コマンドにマッピングする。 ニューラルネットワークは、正確でロバストな制御を維持しつつ、これまで見えない状況に効果的に一般化することができる。 これらの結果は、複雑な物理システムにおける学習ベースのニューラルコントロールの実現可能性を強調し、そのようなパラダイムが現実世界のアプリケーションを要求する従来のエンジニアリングアプローチを強化あるいは置き換えることのできる未来を示唆している。 トレーニング済みのニューラルコントローラ、ソースコード、デモビデオはhttps://sites.google.com/view/neural-maglev.comで公開されている。

関連論文リスト

• Embodied Neuromorphic Control Applied on a 7-DOF Robotic Manipulator [10.642836177302533]
  逆ダイナミクスは、ロボットシステムの関節空間からトルク空間にマップする基本的なロボット工学の問題である。 スパイキングニューラルネットワークを用いて、動作データの連続性を利用して制御精度を改善し、チューニングパラメータを除去する。 この研究は、概念実証から複雑な実世界のタスクへの応用への一歩前進によって、具体化されたニューロモルフィック制御を推し進める。
  論文  参考訳（メタデータ） (2025-04-17T07:13:37Z)
• Feedforward Controllers from Learned Dynamic Local Model Networks with Application to Excavator Assistance Functions [4.664767161598515]
  我々は、ゼロダイナミクスによるLMNのフィードバック線形化が有効なコントローラを生成するときの基準を提供する。 実験では、外乱信号と複数の入力と出力を組み込むことで、学習した制御器の追跡性能が向上する。
  論文  参考訳（メタデータ） (2024-09-25T12:40:07Z)
• LLM4Drive: A Survey of Large Language Models for Autonomous Driving [62.10344445241105]
  大規模言語モデル(LLM)は、文脈理解、論理的推論、回答生成などの能力を示した。 本稿では,自動走行のための大規模言語モデル (LLM4AD) に関する研究ラインを体系的にレビューする。
  論文  参考訳（メタデータ） (2023-11-02T07:23:33Z)
• Model-free tracking control of complex dynamical trajectories with machine learning [0.2356141385409842]
  我々は,2腕ロボットマニピュレータを制御するモデルフリーの機械学習フレームワークを開発した。 様々な周期的信号とカオス的信号を用いた制御フレームワークの有効性を示す。
  論文  参考訳（メタデータ） (2023-09-20T17:10:10Z)
• The least-control principle for learning at equilibrium [65.2998274413952]
  我々は、平衡反復ニューラルネットワーク、深層平衡モデル、メタラーニングを学ぶための新しい原理を提案する。 私たちの結果は、脳がどのように学習するかを明らかにし、幅広い機械学習問題にアプローチする新しい方法を提供します。
  論文  参考訳（メタデータ） (2022-07-04T11:27:08Z)
• A Barrier Certificate-based Simplex Architecture for Systems with Approximate and Hybrid Dynamics [3.254402439041394]
  Bb-Simplexは、連続力学系の実行時保証のための新しい設計である。 バリア証明書は、ベースラインコントローラが安全を保証することを証明するために使用される。 Bb-Simplexは、複雑な連続時間とハイブリッドシステムのスイッチング条件を自動的に導出することができる。
  論文  参考訳（メタデータ） (2022-02-20T02:08:10Z)
• Online-Learning Deep Neuro-Adaptive Dynamic Inversion Controller for Model Free Control [1.3764085113103217]
  ニュートラル適応コントローラは、新しい重み更新法則に基づいて訓練されたディープニューラルネットワークを特徴とする実装である。 制御器は、非線形プラントを迅速に学習することができ、追従制御問題において優れた性能を示す。
  論文  参考訳（メタデータ） (2021-07-21T22:46:03Z)
• Neural Dynamic Policies for End-to-End Sensorimotor Learning [51.24542903398335]
  感覚運動制御における現在の主流パラダイムは、模倣であれ強化学習であれ、生の行動空間で政策を直接訓練することである。 軌道分布空間の予測を行うニューラル・ダイナミック・ポリシー(NDP)を提案する。 NDPは、いくつかのロボット制御タスクにおいて、効率と性能の両面で、これまでの最先端よりも優れている。
  論文  参考訳（メタデータ） (2020-12-04T18:59:32Z)

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。