論文の概要: Physics-Driven Learning Framework for Tomographic Tactile Sensing

• arxiv url: http://arxiv.org/abs/2512.03512v1
• Date: Wed, 03 Dec 2025 07:11:01 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-04 11:56:35.652958
• Title: Physics-Driven Learning Framework for Tomographic Tactile Sensing
• Title（参考訳）: トモグラフィー触覚センシングのための物理駆動学習フレームワーク
• Authors: Xuanxuan Yang, Xiuyang Zhang, Haofeng Chen, Gang Ma, Xiaojie Wang,
• Abstract要約: この研究は、EITフォワードモデルを学習目的に直接組み込む物理駆動の深層再構築フレームワークであるPhyDNNを提示する。 効率的なバックプロパゲーションを実現するため、非線形EIT応答を正確に近似する微分可能前方演算ネットワークを設計する。 PhyDNNは、NOSER、TV、標準DNNよりずっと優れており、接触形態、位置、圧力分布を再構築している。
• 参考スコア（独自算出の注目度）: 7.639784427975161
• License:
• Abstract: Electrical impedance tomography (EIT) provides an attractive solution for large-area tactile sensing due to its minimal wiring and shape flexibility, but its nonlinear inverse problem often leads to severe artifacts and inaccurate contact reconstruction. This work presents PhyDNN, a physics-driven deep reconstruction framework that embeds the EIT forward model directly into the learning objective. By jointly minimizing the discrepancy between predicted and ground-truth conductivity maps and enforcing consistency with the forward PDE, PhyDNN reduces the black-box nature of deep networks and improves both physical plausibility and generalization. To enable efficient backpropagation, we design a differentiable forward-operator network that accurately approximates the nonlinear EIT response, allowing fast physics-guided training. Extensive simulations and real tactile experiments on a 16-electrode soft sensor show that PhyDNN consistently outperforms NOSER, TV, and standard DNNs in reconstructing contact shape, location, and pressure distribution. PhyDNN yields fewer artifacts, sharper boundaries, and higher metric scores, demonstrating its effectiveness for high-quality tomographic tactile sensing.
• Abstract（参考訳）: 電気インピーダンストモグラフィ(EIT)は、配線の最小化と形状の柔軟性により、大面積の触覚センシングに魅力的なソリューションを提供するが、その非線形逆問題はしばしば深刻なアーティファクトと不正確な接触再構成をもたらす。 この研究は、EITフォワードモデルを学習目的に直接組み込む物理駆動の深層再構築フレームワークであるPhyDNNを提示する。 PDEとの整合性を保ちつつ、予測と地平面の導電率マップとの差を最小化することにより、深層ネットワークのブラックボックス特性を低減し、物理的妥当性と一般化を両立させる。 効率的なバックプロパゲーションを実現するために、非線形EIT応答を正確に近似し、高速な物理誘導トレーニングを可能にする、微分可能前方演算ネットワークを設計する。 16電極のソフトセンサーによる大規模なシミュレーションと実際の触覚実験により、PhyDNNはNOSER、TV、標準DNNより一貫して優れており、接触形状、位置、圧力分布の再構成を行っている。 PhyDNNは、より少ないアーティファクト、よりシャープな境界、より高いメートル法スコアをもたらし、高品質なトモグラフィー触覚センシングの有効性を示す。

関連論文リスト

• PHASE-Net: Physics-Grounded Harmonic Attention System for Efficient Remote Photoplethysmography Measurement [63.007237197267834]
  既存のディープラーニング手法は、主に生理学的モニタリングであり、理論的な堅牢性を欠いている。 本研究では,Navier-Stokes方程式のヘモダイナミックスから導かれる物理インフォームド r パラダイムを提案し,パルス信号が2次系に従うことを示す。 これは、時間的円錐ネットワーク(TCN)を使用する理論的正当性を提供する。 Phase-Netは高い効率で最先端のパフォーマンスを実現し、理論上は基礎的でデプロイ可能な r ソリューションを提供する。
  論文  参考訳（メタデータ） (2025-09-29T14:36:45Z)
• U-PINet: End-to-End Hierarchical Physics-Informed Learning With Sparse Graph Coupling for 3D EM Scattering Modeling [28.64166932076228]
  電磁波散乱モデリングは、レーダーリモートセンシングに不可欠である。 従来の数値解法は精度が高いが、スケーラビリティの問題と計算コストに悩まされている。 これらの制約を克服するために,U字型物理情報ネットワーク (U-PINet) を提案する。
  論文  参考訳（メタデータ） (2025-08-05T12:20:42Z)
• Improving physics-informed neural network extrapolation via transfer learning and adaptive activation functions [44.44497277876625]
  物理情報ニューラルネットワーク(英: Physics-Informed Neural Networks、PINN)は、システムの物理法則を学習プロセスに組み込んだディープラーニングモデルである。 本稿では,PINNの補間性能を向上させるために,転送学習(TL)手法を提案する。 提案手法は, 平均L2誤差を平均40%, 平均絶対誤差を平均50%削減する。
  論文  参考訳（メタデータ） (2025-07-16T22:19:53Z)
• Physics-Driven Neural Compensation For Electrical Impedance Tomography [7.256725037878305]
  EIT(Electronic Impedance Tomography)は、非侵襲的でポータブルな画像モダリティを提供する。 EITは2つの主要な課題に直面している: 逆問題の性質の悪さと空間的変動、位置依存感度分布である。 EITの物理原理を取り入れた教師なしディープラーニングフレームワークであるPhyNC(Physics-driven Neural Compensation)を提案する。
  論文  参考訳（メタデータ） (2025-04-25T04:44:00Z)
• CPFI-EIT: A CNN-PINN Framework for Full-Inverse Electrical Impedance Tomography on Non-Smooth Conductivity Distributions [0.0]
  畳み込みニューラルネットワーク(CNN)と物理情報ニューラルネットワーク(PINN)を組み合わせたハイブリッド学習フレームワークを導入する。 EITは、注入電流による境界電圧測定に基づいて内部伝導度の空間分布を再構成する非侵襲イメージング技術である。
  論文  参考訳（メタデータ） (2024-12-10T10:48:43Z)
• HM-DF SNN: Transcending Conventional Online Learning with Advanced Training and Deployment [39.6783548791379]
  スパイキングニューラルネットワーク(SNN)は、人工知能の将来の発展において大きな可能性を秘めていると考えられている。 現在のオンライン学習フレームワークは、時間依存勾配の不分離問題に対処できない。 本稿では,それぞれ異なるスパイキング計算方式を採用する高度なモデル群であるHM-DF(Hybrid Mechanism-Driven Firing)モデルを提案する。
  論文  参考訳（メタデータ） (2024-10-10T02:39:22Z)
• Stable Weight Updating: A Key to Reliable PDE Solutions Using Deep Learning [0.0]
  本稿では,物理インフォームドニューラルネットワーク(PINN)の安定性と精度の向上を目的とした,新しい残差ベースアーキテクチャを提案する。 このアーキテクチャは、残りの接続を組み込むことで従来のニューラルネットワークを強化し、よりスムーズなウェイト更新を可能にし、バックプロパゲーション効率を向上させる。 特にSquared Residual Networkは、従来のニューラルネットワークと比較して安定性と精度の向上を実現し、堅牢なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-07-10T05:20:43Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• Learning Physics-Informed Neural Networks without Stacked Back-propagation [82.26566759276105]
  我々は,物理インフォームドニューラルネットワークのトレーニングを著しく高速化する新しい手法を開発した。 特に、ガウス滑らか化モデルによりPDE解をパラメータ化し、スタインの恒等性から導かれる2階微分がバックプロパゲーションなしで効率的に計算可能であることを示す。 実験の結果,提案手法は通常のPINN訓練に比べて2桁の精度で競合誤差を実現できることがわかった。
  論文  参考訳（メタデータ） (2022-02-18T18:07:54Z)

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。