論文の概要: K-VARK: Kernelized Variance-Aware Residual Kalman Filter for Sensorless Force Estimation in Collaborative Robots
- arxiv url: http://arxiv.org/abs/2512.13009v1
- Date: Mon, 15 Dec 2025 06:11:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:40.343496
- Title: K-VARK: Kernelized Variance-Aware Residual Kalman Filter for Sensorless Force Estimation in Collaborative Robots
- Title（参考訳）: K-VARK:協調ロボットにおけるセンサレス力推定のためのカーネル化可変型残留カルマンフィルタ
- Authors: Oğuzhan Akbıyık, Naseem Alhousani, Fares J. Abu-Dakka,
- Abstract要約: 本稿では, 適応カルマンフィルタの枠組みを用いて, 継手残留トルクのカーネル化・確率モデルを提案する。
K-VARIance-Aware Residual Kalmanフィルタは、最適化された励振軌道で訓練されたカーネル化運動プリミティブを通して、残留トルクの予測平均と入力依存ヘテロセダス的分散の両方をキャプチャする。
K-VARIance-Aware Residual Kalman filterは、最先端のセンサレス力推定法と比較して、RMSEの20%以上削減できる。
- 参考スコア（独自算出の注目度）: 2.231201892342327
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Reliable estimation of contact forces is crucial for ensuring safe and precise interaction of robots with unstructured environments. However, accurate sensorless force estimation remains challenging due to inherent modeling errors and complex residual dynamics and friction. To address this challenge, in this paper, we propose K-VARK (Kernelized Variance-Aware Residual Kalman filter), a novel approach that integrates a kernelized, probabilistic model of joint residual torques into an adaptive Kalman filter framework. Through Kernelized Movement Primitives trained on optimized excitation trajectories, K-VARK captures both the predictive mean and input-dependent heteroscedastic variance of residual torques, reflecting data variability and distance-to-training effects. These statistics inform a variance-aware virtual measurement update by augmenting the measurement noise covariance, while the process noise covariance adapts online via variational Bayesian optimization to handle dynamic disturbances. Experimental validation on a 6-DoF collaborative manipulator demonstrates that K-VARK achieves over 20% reduction in RMSE compared to state-of-the-art sensorless force estimation methods, yielding robust and accurate external force/torque estimation suitable for advanced tasks such as polishing and assembly.
- Abstract（参考訳）: ロボットと非構造環境との安全かつ正確な相互作用を確保するためには,接触力の信頼性評価が不可欠である。
しかし, モデル誤差や複雑な残留力学, 摩擦により, 正確なセンサレス力推定は依然として困難である。
そこで本稿では,K-VARK (Kernelized Variance-Aware Residual Kalman filter) を提案する。
K-VARKは、最適化された励起軌跡で訓練されたカーネル化運動プリミティブを通して、残留トルクの予測平均と入力依存ヘテロセシズムのばらつきを捉え、データのばらつきと距離からトレーニング効果を反映する。
これらの統計は、測定ノイズの共分散を増大させることにより、分散を意識した仮想測定更新を通知する一方、プロセスノイズ共分散は、変動ベイズ最適化によってオンラインに適応し、動的障害を処理する。
6-DoFコラボレーティブマニピュレータの実験的検証により、K-VARKは最先端のセンサレス力推定法と比較して、RMSEの20%以上低減し、研磨や組立といった高度なタスクに適した頑健で正確な外部力/トルク推定が得られることが示された。
関連論文リスト
- Distributed Kalman--Consensus Filtering with Adaptive Uncertainty Weighting for Multi-Object Tracking in Mobile Robot Networks [2.536160127321797]
本稿では,移動ロボットネットワークにおけるマルチオブジェクト追跡(MOT)のための分散カルマン・コンセンサスフィルタ(DKCF)の実装と評価を行う。
このようなシステムにおける重要な課題は、ローカライゼーションの質が異なるエージェントからの情報の融合である。
本稿では,近隣情報の影響を動的に調整する不確実性を考慮した適応型コンセンサス重み付け機構を提案する。
論文 参考訳（メタデータ） (2026-03-11T21:41:10Z) - Analyzing and Improving Diffusion Models for Time-Series Data Imputation: A Proximal Recursion Perspective [45.713195454899875]
拡散モデル(DM)は時系列データインプットを約束している。
DMの性能は複雑なシナリオでは相容れない。
我々はSPIRIT(Semi-proximal Transport Regularized Time-Series Imputation)と呼ばれる新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-01T12:11:57Z) - Adaptive Covariance and Quaternion-Focused Hybrid Error-State EKF/UKF for Visual-Inertial Odometry [0.0]
本研究では、無人航空機(UAV)のための革新的なハイブリッド型視覚慣性オドメトリー(VIO)手法を提案する。
このシステムは、新しいハイブリッド四元数中心のEKF/UKFアーキテクチャを使用して、慣性測定ユニット(IMU)データを処理している。
視覚計測の信頼性は、画像エントロピーの変動、動きのぼかし、推論品質などの指標に基づいて動的センサ信頼スコアを用いて評価される。
論文 参考訳（メタデータ） (2025-12-19T12:14:37Z) - AERMANI-Diffusion: Regime-Conditioned Diffusion for Dynamics Learning in Aerial Manipulators [2.376629619475859]
空力マニピュレータは、慣性結合力と空力の迅速かつ構成に依存した変化を行う。
条件付き拡散プロセスと軽量時間エンコーダを用いて残留力の完全な分布をモデル化する状態条件拡散フレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-11T16:10:32Z) - Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。
シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。
マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
論文 参考訳（メタデータ） (2025-10-09T04:48:49Z) - DoRAN: Stabilizing Weight-Decomposed Low-Rank Adaptation via Noise Injection and Auxiliary Networks [47.58150560549918]
重み分解低ランク適応(DoRA)は,バニラ低ランク適応(LoRA)法の学習能力と訓練安定性の両方を改善することが示されている。
そこで本研究では,DoRAのトレーニングを安定化し,サンプル効率を向上させるため,新しいDoRAの派生型であるDoRANを提案する。
論文 参考訳（メタデータ） (2025-10-05T19:27:48Z) - Adaptive Relative Pose Estimation Framework with Dual Noise Tuning for Safe Approaching Maneuvers [0.0]
本研究は、適応非線形フィルタリングによる高度なコンピュータビジョン技術を統合する完全なパイプラインを提案する。
画像前処理によって強化された畳み込みニューラルネットワーク(CNN)は、チェッカー画像から構造マーカーを検出する。
UKFフレームワークは、非線形相対力学を処理し、完全な相対的ポーズを推定する能力のために選択される。
論文 参考訳（メタデータ） (2025-07-22T04:13:03Z) - MixedNUTS: Training-Free Accuracy-Robustness Balance via Nonlinearly Mixed Classifiers [41.56951365163419]
MixedNUTSは、ロバストな分類器の出力ロジットを3つのパラメータしか持たない非線形変換で処理する訓練不要の手法である。
MixedNUTSは変換されたロジットを確率に変換し、それらを全体の出力として混合する。
CIFAR-10、CIFAR-100、ImageNetデータセットでは、MixedNUTSの精度とほぼSOTAの堅牢性を大幅に改善した。
論文 参考訳（メタデータ） (2024-02-03T21:12:36Z) - Robustness and Accuracy Could Be Reconcilable by (Proper) Definition [109.62614226793833]
強靭性と精度のトレードオフは、敵文学において広く研究されている。
局所的不変性の帰納的バイアスを課す不適切に定義された頑健な誤差に由来する可能性がある。
定義上、SCOREは、最悪のケースの不確実性に対処しながら、堅牢性と正確性の間の和解を促進する。
論文 参考訳（メタデータ） (2022-02-21T10:36:09Z) - TLIO: Tight Learned Inertial Odometry [43.17991168599939]
IMUのみの状態推定のための密結合拡張カルマンフィルタフレームワークを提案する。
ヘッドセットからの歩行者データでトレーニングされた我々のネットワークは、統計的に一貫した測定と不確実性を生み出すことができる。
論文 参考訳（メタデータ） (2020-07-06T03:13:34Z)
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。