論文の概要: Physics-informed Machine Learning for Static Friction Modeling in Robotic Manipulators Based on Kolmogorov-Arnold Networks
- arxiv url: http://arxiv.org/abs/2511.10079v1
- Date: Fri, 14 Nov 2025 01:30:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-14 22:53:22.684839
- Title: Physics-informed Machine Learning for Static Friction Modeling in Robotic Manipulators Based on Kolmogorov-Arnold Networks
- Title（参考訳）: コルモゴロフ・アルノルドネットワークに基づくロボットマニピュレータの静的摩擦モデリングのための物理インフォームド機械学習
- Authors: Yizheng Wang, Timon Rabczuk, Yinghua Liu,
- Abstract要約: 摩擦モデリングはロボットオペレーティングシステムにおいて高精度な動作制御を実現する上で重要な役割を担っている。
本稿では,ロボット関節の静的摩擦モデリングのためのKAN(Kolmogorov Arnold Network)に基づく物理インスパイアされた機械学習手法を提案する。
- 参考スコア（独自算出の注目度）: 1.729944896610809
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Friction modeling plays a crucial role in achieving high-precision motion control in robotic operating systems. Traditional static friction models (such as the Stribeck model) are widely used due to their simple forms; however, they typically require predefined functional assumptions, which poses significant challenges when dealing with unknown functional structures. To address this issue, this paper proposes a physics-inspired machine learning approach based on the Kolmogorov Arnold Network (KAN) for static friction modeling of robotic joints. The method integrates spline activation functions with a symbolic regression mechanism, enabling model simplification and physical expression extraction through pruning and attribute scoring, while maintaining both high prediction accuracy and interpretability. We first validate the method's capability to accurately identify key parameters under known functional models, and further demonstrate its robustness and generalization ability under conditions with unknown functional structures and noisy data. Experiments conducted on both synthetic data and real friction data collected from a six-degree-of-freedom industrial manipulator show that the proposed method achieves a coefficient of determination greater than 0.95 across various tasks and successfully extracts concise and physically meaningful friction expressions. This study provides a new perspective for interpretable and data-driven robotic friction modeling with promising engineering applicability.
- Abstract（参考訳）: 摩擦モデリングはロボットオペレーティングシステムにおいて高精度な動作制御を実現する上で重要な役割を担っている。
従来の静的摩擦モデル(ストリベックモデルなど)は、その単純な形から広く使われているが、通常は事前定義された機能的仮定を必要とするため、未知の機能的構造を扱う際に大きな課題が生じる。
そこで本研究では,ロボット関節の静的摩擦モデリングのためのKAN(Kolmogorov Arnold Network)に基づく物理インスパイアされた機械学習手法を提案する。
予測精度と解釈性の両方を維持しつつ、プルーニングと属性スコアリングによるモデルの単純化と物理式抽出を可能にする。
まず、既知の機能モデルの下で重要なパラメータを正確に識別する手法の能力を検証し、未知の機能構造とノイズのあるデータを持つ条件下でのロバスト性と一般化能力を更に実証する。
6自由度産業用マニピュレータから収集した合成データと実摩擦データの両方を用いて行った実験により, 提案手法は様々なタスクで0.95以上の決定係数を達成し, 簡潔かつ物理的に有意な摩擦表現を抽出することに成功した。
本研究は,将来性のある工学的応用性を備えた,解釈およびデータ駆動型ロボット摩擦モデリングの新しい視点を提供する。
関連論文リスト
- Learning Causal Structure Distributions for Robust Planning [53.753366558072806]
構造情報の不確実性を考慮しながら,機能的関係を学習することで,より堅牢な力学モデルがもたらされることがわかった。
これは、因果構造を無視し、ロボットシステムにおける相互作用の空間性を活用するのに失敗する一般的なモデル学習手法とは対照的である。
本稿では,本モデルを用いてロボットの力学を学習し,新しい環境下での新たな作業を行うためのサンプリング・ベース・プランナーを併用することを提案する。
論文 参考訳（メタデータ） (2025-08-08T22:43:17Z) - Interpretable Robotic Friction Learning via Symbolic Regression [52.41267112707149]
ロボット関節における摩擦トルクの正確なモデリングは、堅牢な数学的記述の要求により、長い間困難であった。
伝統的なモデルに基づくアプローチは、しばしば労働集約的であり、広範な実験と専門家の知識を必要とする。
ニューラルネットワークに基づくデータ駆動方式は実装が容易だが、堅牢性に欠けることが多い。
論文 参考訳（メタデータ） (2025-05-19T14:44:02Z) - Learning Transferable Friction Models and LuGre Identification via Physics Informed Neural Networks [4.432363122731454]
物理インフォームド摩擦モデルと学習可能なコンポーネントを統合するための摩擦推定フレームワークを提案する。
われわれのアプローチは物理的な一貫性を強制するが、現実の複雑さに適応する柔軟性は維持する。
我々のアプローチは、学習したモデルを訓練されていないシステムに転送できるようにする。
論文 参考訳（メタデータ） (2025-04-16T19:15:48Z) - Efficient dynamic modal load reconstruction using physics-informed Gaussian processes based on frequency-sparse Fourier basis functions [0.0]
本稿では,物理インフォームドガウス法(GP)を用いた効率的な動的負荷再構成法を提案する。
GPの共分散行列はシステム力学の記述を用いて構築され、構造応答測定を用いてモデルを訓練する。
開発されたモデルは, 構造的健康モニタリング, 損傷予後, 負荷モデル検証に応用できる可能性を秘めている。
論文 参考訳（メタデータ） (2025-03-12T14:16:27Z) - Probabilistic Latent Variable Modeling for Dynamic Friction Identification and Estimation [2.638878351659023]
ロボット工学における動的モデルの同定は、制御設計、摩擦補償、出力トルク推定をサポートするために不可欠である。
本稿では,潜伏状態を用いたロボット関節の未同定ダイナミクスについて考察する。
予測最大化 (EM) アルゴリズムを用いてモデルパラメータの近似最大推定 (MLE) を求める。
論文 参考訳（メタデータ） (2024-12-20T10:16:18Z) - 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) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - Extreme sparsification of physics-augmented neural networks for
interpretable model discovery in mechanics [0.0]
本稿では,L0$-regularizationのスムーズなバージョンを用いて,正規化された物理拡張ニューラルネットワークモデルを訓練することを提案する。
本手法は, 可圧縮・非圧縮熱力学, 降伏関数, 弾塑性の硬化モデルに対して, 解釈可能かつ信頼性の高いモデルが得られることを示す。
論文 参考訳（メタデータ） (2023-10-05T16:28:58Z) - End-to-End Learning of Hybrid Inverse Dynamics Models for Precise and
Compliant Impedance Control [16.88250694156719]
剛体力学モデルの物理的に一貫した慣性パラメータを同定できる新しいハイブリッドモデルの定式化を提案する。
7自由度マニピュレータ上での最先端の逆動力学モデルに対する我々のアプローチを比較した。
論文 参考訳（メタデータ） (2022-05-27T07:39:28Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳（メタデータ） (2021-02-25T20:28:52Z)
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。