論文の概要: Fractional-order Modeling for Nonlinear Soft Actuators via Particle Swarm Optimization
- arxiv url: http://arxiv.org/abs/2512.18213v1
- Date: Sat, 20 Dec 2025 04:46:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:40.443851
- Title: Fractional-order Modeling for Nonlinear Soft Actuators via Particle Swarm Optimization
- Title（参考訳）: 粒子群最適化による非線形ソフトアクチュエータのフラクショナルオーダーモデリング
- Authors: Wu-Te Yang, Masayoshi Tomizuka,
- Abstract要約: 本稿では, ソフト材料の動的挙動を捉えるために, 分数次微分方程式(FODE)に基づく革新的なモデリング手法を提案する。
提案手法は,ソフトアクチュエータに固有の複雑な変形現象を効果的に表現する。
- 参考スコア（独自算出の注目度）: 49.34452620841728
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Modeling soft pneumatic actuators with high precision remains a fundamental challenge due to their highly nonlinear and compliant characteristics. This paper proposes an innovative modeling framework based on fractional-order differential equations (FODEs) to accurately capture the dynamic behavior of soft materials. The unknown parameters within the fractional-order model are identified using particle swarm optimization (PSO), enabling parameter estimation directly from experimental data without reliance on pre-established material databases or empirical constitutive laws. The proposed approach effectively represents the complex deformation phenomena inherent in soft actuators. Experimental results validate the accuracy and robustness of the developed model, demonstrating improvement in predictive performance compared to conventional modeling techniques. The presented framework provides a data-efficient and database-independent solution for soft actuator modeling, advancing the precision and adaptability of soft robotic system design.
- Abstract（参考訳）: 高精度なソフト空気圧アクチュエータのモデリングは、非常に非線形でコンプライアンスのよい特性のため、依然として根本的な課題である。
本稿では, ソフト材料の動的挙動を正確に捉えるために, 分数次微分方程式(FODE)に基づく革新的なモデリング手法を提案する。
分数次モデル内の未知のパラメータは、粒子群最適化(PSO)を用いて同定され、既定の材料データベースや経験的構成法則に依存することなく、実験データから直接パラメータを推定できる。
提案手法は,ソフトアクチュエータに固有の複雑な変形現象を効果的に表現する。
実験により, 従来のモデリング手法に比べて予測性能が向上し, 精度, 堅牢性が検証された。
提案するフレームワークは,ソフト・ロボット・システム設計の精度と適応性を向上するソフト・アクチュエータ・モデリングのための,データ効率とデータベースに依存しないソリューションを提供する。
関連論文リスト
- Data-driven Kinematic Modeling in Soft Robots: System Identification and Uncertainty Quantification [7.888219789657414]
まず,ソフトロボットの運動モデルによく用いられる複数の線形・非線形機械学習モデルについて検討する。
その結果,非線形アンサンブル法が最も堅牢な一般化性能を示した。
次に、分割型共形予測を利用して、予測位置の不確かさを定量化することにより、ソフトロボットのための共形体モデリングフレームワークを開発する。
論文 参考訳（メタデータ） (2025-07-10T01:49:23Z) - High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。
近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。
機能適応型INR(FA-INR)を提案する。
論文 参考訳（メタデータ） (2025-06-07T16:45:17Z) - Hybrid Adaptive Modeling using Neural Networks Trained with Nonlinear Dynamics Based Features [5.652228574188242]
本稿では,非線形動的モデリングから情報を明らかにし,それをデータベースモデルに組み込むことにより,標準手法から逸脱する新しいアプローチを提案する。
摂動法による非線形力学現象を明示的に取り入れることにより、予測能力はブルートフォース数値シミュレーションから得られた知識と比較してより現実的で洞察力が高い。
論文 参考訳（メタデータ） (2025-01-21T02:38:28Z) - Fuzzy Model Identification and Self Learning with Smooth Compositions [1.9573380763700716]
本稿では,動的システムのためのスムーズなモデル同定と自己学習戦略を開発する。
我々は,モデルが連続的かつ滑らかな表面上のシステムの変化と変化に従うように,この問題を解決しようと試みてきた。
論文 参考訳（メタデータ） (2024-12-31T20:19:02Z) - 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) - Improving Surrogate Model Robustness to Perturbations for Dynamical Systems Through Machine Learning and Data Assimilation [0.0789257770465417]
本稿では,機械学習とデータ同化技術を組み合わせてサロゲートモデルを改善する新しいフレームワークを提案する。
本研究では,入力摂動下でのサロゲートモデルの精度を大幅に向上することを示す。
論文 参考訳（メタデータ） (2023-07-19T05:45:05Z) - Active-Learning-Driven Surrogate Modeling for Efficient Simulation of
Parametric Nonlinear Systems [0.0]
支配方程式がなければ、パラメトリック還元次代理モデルを非侵襲的に構築する必要がある。
我々の研究は、パラメータのスナップショットを効率的に表示するための非侵入的最適性基準を提供する。
カーネルベースの浅層ニューラルネットワークを用いた能動的学習駆動サロゲートモデルを提案する。
論文 参考訳（メタデータ） (2023-06-09T18:01:14Z) - Extension of Dynamic Mode Decomposition for dynamic systems with
incomplete information based on t-model of optimal prediction [69.81996031777717]
動的モード分解は、動的データを研究するための非常に効率的な手法であることが証明された。
このアプローチの適用は、利用可能なデータが不完全である場合に問題となる。
本稿では,森-Zwanzig分解の1次近似を考察し,対応する最適化問題を記述し,勾配に基づく最適化法を用いて解く。
論文 参考訳（メタデータ） (2022-02-23T11:23:59Z) - Progressive residual learning for single image dehazing [57.651704852274825]
物理モデルフリーなデハジングプロセスと, 再構成された散乱モデルに基づくデハジング操作を組み合わせるために, 漸進的残留学習戦略が提案されている。
提案手法は,公開デヘイジングベンチマークにおける最先端手法に対して,複雑なデータに対するモデル解釈性と適応性に優れる。
論文 参考訳（メタデータ） (2021-03-14T16:54:44Z)
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。