論文の概要: A Sliding Mode Controller Based on Timoshenko Beam Theory Developed for a Tendon-Driven Robotic Wrist
- arxiv url: http://arxiv.org/abs/2601.07009v1
- Date: Sun, 11 Jan 2026 17:48:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:40.73301
- Title: A Sliding Mode Controller Based on Timoshenko Beam Theory Developed for a Tendon-Driven Robotic Wrist
- Title（参考訳）: 腱駆動ロボットレストのためのティモシェンコビーム理論に基づくスライディングモード制御
- Authors: Shifa Sulaiman, Mohammad Gohari, Francesco Schetter, Fanny Ficuciello,
- Abstract要約: 本稿では, 高精度動作制御のための効率的なスライディングモード制御器(SMC)とともに, 腱駆動型ロボット手首関節の設計と実装について述べる。
手首機構は、ティモシェンコをベースとした手法を用いて、キネマティックおよび動的特性を正確に捉える。
コントローラの有効性は、同様の手首機構のための既存のコントローラとの比較分析によって検証される。
- 参考スコア（独自算出の注目度）: 3.5026278670865874
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Development of dexterous robotic joints is essential for advancing manipulation capabilities in robotic systems. This paper presents the design and implementation of a tendon-driven robotic wrist joint together with an efficient Sliding Mode Controller (SMC) for precise motion control. The wrist mechanism is modeled using a Timoshenko-based approach to accurately capture its kinematic and dynamic properties, which serve as the foundation for tendon force calculations within the controller. The proposed SMC is designed to deliver fast dynamic response and computational efficiency, enabling accurate trajectory tracking under varying operating conditions. The effectiveness of the controller is validated through comparative analyses with existing controllers for similar wrist mechanisms. The proposed SMC demonstrates superior performance in both simulation and experimental studies. The Root Mean Square Error (RMSE) in simulation is approximately 1.67e-2 radians, while experimental validation yields an error of 0.2 radians. Additionally, the controller achieves a settling time of less than 3 seconds and a steady-state error below 1e-1 radians, consistently observed across both simulation and experimental evaluations. Comparative analyses confirm that the developed SMC surpasses alternative control strategies in motion accuracy, rapid convergence, and steady-state precision. This work establishes a foundation for future exploration of tendon-driven wrist mechanisms and control strategies in robotic applications.
- Abstract（参考訳）: ロボットシステムにおける操作能力を向上するためには, 器用なロボット関節の開発が不可欠である。
本稿では, 高精度動作制御のための効率的なスライディングモード制御器(SMC)とともに, 腱駆動型ロボット手首関節の設計と実装について述べる。
手首機構は、ティモシェンコをベースとした手法を用いて、そのキネマティックおよび動的特性を正確に捉え、コントローラ内の腱力計算の基礎となる。
提案したSMCは高速な動的応答と計算効率を実現するために設計されており、様々な動作条件下で正確な軌道追跡を可能にする。
コントローラの有効性は、同様の手首機構のための既存のコントローラとの比較分析によって検証される。
提案したSMCはシミュレーションと実験の両方において優れた性能を示す。
シミュレーションにおけるルート平均角誤差(RMSE)は約1.67e-2ラディアンであり、実験的な検証は0.2ラディアンの誤差をもたらす。
さらに、制御器は3秒未満の沈降時間と1e-1ラジアン以下の定常状態誤差を実現し、シミュレーションと実験の両方で一貫して観察される。
比較分析により, SMCは運動精度, 高速収束, 定常精度において, 代替制御戦略を上回ることが確認された。
この研究は、ロボット応用における腱駆動手首機構と制御戦略の将来の探索の基礎を確立する。
関連論文リスト
- Consistency-Driven Dual LSTM Models for Kinematic Control of a Wearable Soft Robotic Arm [33.333272339511446]
本稿では,ウェアラブルデバイスに組み込まれた空気圧作動式ロボットアームの前方および逆運動学を正確に学習するための一貫性駆動型デュアルLSTMフレームワークを提案する。
この手法は, アクティベーション入力とエンドエフェクタ位置の1対1マッピング問題に対処しながら, ソフト空気圧アクチュエータの非線形およびヒステリックな挙動を効果的に捉えている。
論文 参考訳（メタデータ） (2026-03-18T12:51:12Z) - Dual-Agent Multiple-Model Reinforcement Learning for Event-Triggered Human-Robot Co-Adaptation in Decoupled Task Spaces [3.349003999623489]
本稿では,カスタム6自由度上肢ロボットのための共有制御型リハビリテーションポリシーを提案する。
患者は二進法で一次到達方向を制御し、ロボットは自律的に矯正動作を管理する。
論文 参考訳（メタデータ） (2026-03-06T11:15:10Z) - Accelerating Sampling-Based Control via Learned Linear Koopman Dynamics [4.946483489399818]
本稿では、複雑な非線形力学を持つシステムに対する効率的なモデル予測経路積分(MPPI)制御フレームワークを提案する。
軌道伝播に使用される非線形ダイナミクスを学習された線形深度クープマン作用素(DKO)モデルに置き換え、より高速なロールアウトとより効率的な軌道サンプリングを可能にする。
コントローラはMPPI-DKと呼ばれ、四足歩行ロボットの基準追跡実験を通じてハードウェア上で検証される。
論文 参考訳（メタデータ） (2026-03-05T17:15:52Z) - Autonomous Manipulation of Hazardous Chemicals and Delicate Objects in a Self-Driving Laboratory: A Sliding Mode Approach [3.7215125870216013]
スライディングモード制御(SMC)は、マニピュレータ力学における不確実性や乱れを管理するための堅牢なアプローチとして登場した。
本研究では,モビリティプラットフォームに搭載されたマニピュレータの動作を制御するために,双曲型タンジェント関数を用いたモデルベースSMC(MBSMC)を実装した。
PID, NMBSMCと比較すると, MBSMCはよりスムーズな運動, 最大90%の制御作業が達成された。
論文 参考訳（メタデータ） (2026-01-18T21:05:47Z) - Hysteresis-Aware Neural Network Modeling and Whole-Body Reinforcement Learning Control of Soft Robots [14.02771001060961]
外科的応用を目的としたソフトロボットシステムを提案する。
本稿では,ソフトロボットの全身動作を正確に把握し,予測する全身ニューラルネットワークモデルを提案する。
本手法はファントムを用いた手術実験において高い性能を示した。
論文 参考訳（メタデータ） (2025-04-18T09:34:56Z) - Spatial-Temporal Graph Diffusion Policy with Kinematic Modeling for Bimanual Robotic Manipulation [88.83749146867665]
既存のアプローチは、遠く離れた次のベストなエンドエフェクタのポーズを予測するポリシーを学びます。
すると、運動に対する対応する関節回転角を逆運動学を用いて計算する。
本稿では,Kinematics 拡張空間テンポアル gRaph diffuser を提案する。
論文 参考訳（メタデータ） (2025-03-13T17:48:35Z) - A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文 参考訳（メタデータ） (2024-01-26T09:35:17Z) - Tuning Legged Locomotion Controllers via Safe Bayesian Optimization [47.87675010450171]
本稿では,ロボットハードウェアプラットフォームにおけるモデルベースコントローラの展開を効率化するための,データ駆動型戦略を提案する。
モデルフリーな安全な学習アルゴリズムを用いて制御ゲインのチューニングを自動化し、制御定式化で使用される単純化されたモデルと実システムとのミスマッチに対処する。
論文 参考訳（メタデータ） (2023-06-12T13:10:14Z) - Interactive Character Control with Auto-Regressive Motion Diffusion Models [18.727066177880708]
リアルタイム動作合成のためのA-MDM(Auto-Regressive Motion Diffusion Model)を提案する。
我々の条件拡散モデルは初期ポーズを入力とし、前者のフレームに条件付けられた連続した動きフレームを自動回帰的に生成する。
本稿では,タスク指向サンプリング,インペインティング,階層的強化学習など,対話型制御をA-MDMに組み込む一連の手法を紹介する。
論文 参考訳（メタデータ） (2023-06-01T07:48:34Z) - Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。
連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。
我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
論文 参考訳（メタデータ） (2021-11-15T18:50:04Z)
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。