論文の概要: A Mobile Magnetic Manipulation Platform for Gastrointestinal Navigation with Deep Reinforcement Learning Control

• arxiv url: http://arxiv.org/abs/2601.15545v1
• Date: Thu, 22 Jan 2026 00:30:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.898615
• Title: A Mobile Magnetic Manipulation Platform for Gastrointestinal Navigation with Deep Reinforcement Learning Control
• Title（参考訳）: 深部強化学習制御を用いた消化器ナビゲーション用移動磁性マニピュレーションプラットフォーム
• Authors: Zhifan Yan, Chang Liu, Yiyang Jiang, Wenxuan Zheng, Xinhao Chen, Axel Krieger,
• Abstract要約: 本稿では,Dep Reinforcement Learning (DRL) を用いて,この制限を克服する小型で低コストな移動体磁気操作プラットフォームを提案する。 SAC(Soft Actor-Critic)ベースのコントロール戦略は、sim-to-realパイプラインを通じてトレーニングされる。 2次元軌道に沿って7mm磁気カプセルを制御し,プラットフォームを検証した。
• 参考スコア（独自算出の注目度）: 7.422367337001037
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Targeted drug delivery in the gastrointestinal (GI) tract using magnetic robots offers a promising alternative to systemic treatments. However, controlling these robots is a major challenge. Stationary magnetic systems have a limited workspace, while mobile systems (e.g., coils on a robotic arm) suffer from a "model-calibration bottleneck", requiring complex, pre-calibrated physical models that are time-consuming to create and computationally expensive. This paper presents a compact, low-cost mobile magnetic manipulation platform that overcomes this limitation using Deep Reinforcement Learning (DRL). Our system features a compact four-electromagnet array mounted on a UR5 collaborative robot. A Soft Actor-Critic (SAC)-based control strategy is trained through a sim-to-real pipeline, enabling effective policy deployment within 15 minutes and significantly reducing setup time. We validated the platform by controlling a 7-mm magnetic capsule along 2D trajectories. Our DRL-based controller achieved a root-mean-square error (RMSE) of 1.18~mm for a square path and 1.50~mm for a circular path. We also demonstrated successful tracking over a clinically relevant, 30 cm * 20 cm workspace. This work demonstrates a rapidly deployable, model-free control framework capable of precise magnetic manipulation in a large workspace,validated using a 2D GI phantom.
• Abstract（参考訳）: 磁気ロボットを用いた消化管(GI)における薬物の輸送は、全身的な治療に代わる有望な代替手段となる。 しかし、これらのロボットの制御は大きな課題である。 固定磁気系は仕事空間が限られているのに対し、移動系(例えばロボットアームのコイル)は「モデルキャリブレーションのボトルネック」に悩まされており、作成と計算に要する時間を要する複雑な物理モデルを必要とする。 本稿では,Dep Reinforcement Learning (DRL) を用いて,この制限を克服する小型で低コストな移動体磁気操作プラットフォームを提案する。 本システムは、UR5コラボレーティブロボットに搭載された小型の4電磁石アレイを備える。 SAC(Soft Actor-Critic)ベースのコントロール戦略は、sim-to-realパイプラインを通じてトレーニングされる。 2次元軌道に沿って7mm磁気カプセルを制御し,プラットフォームを検証した。 DRLをベースとしたコントローラは,平方路が1.18〜mm,円路が1.50〜mmの根平均二乗誤差(RMSE)を達成した。 また,臨床的に関係のある30cm×20cmのワークスペースの追跡に成功した。 本研究は,2次元GIファントムを用いて検証した大規模ワークスペースにおいて,高精度な磁気操作が可能な,高速にデプロイ可能なモデルフリー制御フレームワークを実証する。

関連論文リスト

• Pitch Angle Control of a Magnetically Actuated Capsule Robot with Nonlinear FEA-based MPC and EKF Multisensory Fusion [0.3694429692322632]
  本稿では,4コイル電磁アレイで作動するカプセルロボットの磁気ピッチ制御のためのモデルベースフレームワークを提案する。 胃にインスパイアされた表面の実験は、水平と直立の両方の形状から頑健なピッチ再配向を示す。 これらの結果は、ピッチ制御、ドッキング制御、将来の多自由度カプセル移動のためのスケーラブルな戦略として、センサフュージョンを用いた有限要素インフォームドMPCを確立した。
  論文  参考訳（メタデータ） (2026-02-11T07:59:52Z)
• NanoCockpit: Performance-optimized Application Framework for AI-based Autonomous Nanorobotics [50.594459728605734]
  小型のフォームファクタ、すなわち10sグラムは、計算資源をSI100ミリワット以下のマイクロコントローラユニット(MCU)に著しく制限する。 本フレームワークは,タスクのシリアライズによるオーバーヘッドをゼロにすることで,クローズドループ制御性能の定量的改善を実現する。
  論文  参考訳（メタデータ） (2026-01-12T12:29:38Z)
• Maglev-Pentabot: Magnetic Levitation System for Non-Contact Manipulation using Deep Reinforcement Learning [6.530215277181797]
  非接触操作の制限に対処するために,磁気浮上システムMaglev-Pentabotを提案する。 Maglev-Pentabotは深層強化学習を利用して、グラム範囲で物体を操作するための複雑な制御戦略を開発する。 我々のシステムは、大型の電磁石を用いて重い物体を操り、産業用ロボット応用のための参照フレームワークを提供することができる。
  論文  参考訳（メタデータ） (2025-11-26T08:10:59Z)
• Training on the Fly: On-device Self-supervised Learning aboard Nano-drones within 20 mW [52.280742520586756]
  ナノドローンのような小さな機械学習(TinyML)を利用した小型サイバー物理システム(CPS)は、ますます魅力的な技術になりつつある。 単純な電子回路はこれらのCPSを安価にすることができるが、計算、メモリ、センサーの資源を著しく制限する。 本稿では,ナノドロンの限られた超低消費電力資源にのみ依存する,オンデバイスファインチューニング手法を提案する。
  論文  参考訳（メタデータ） (2024-08-06T13:11:36Z)
• Reaching the Limit in Autonomous Racing: Optimal Control versus Reinforcement Learning [66.10854214036605]
  ロボット工学における中心的な問題は、アジャイルなモバイルロボットの制御システムをどうやって設計するかである。 本稿では、強化学習(RL)で訓練されたニューラルネットワークコントローラが最適制御(OC)法より優れていることを示す。 その結果、アジャイルドローンを最大性能に押し上げることができ、最大加速速度は重力加速度の12倍以上、ピーク速度は時速108kmに達しました。
  論文  参考訳（メタデータ） (2023-10-17T02:40:27Z)
• Navigation of micro-robot swarms for targeted delivery using reinforcement learning [0.0]
  Inforcement Learning (RL) アルゴリズムをPPO(Proximal Policy Optimization) とRPO(Robust Policy Optimization) を用いて,4,9,16マイクロスウィマーの群を探索する。 PPOとRPOの両方のパフォーマンスを、限られた状態情報シナリオで調べ、また、ランダムな目標位置とサイズに対するロバスト性をテストする。
  論文  参考訳（メタデータ） (2023-06-30T12:17:39Z)
• Real-Time Model-Free Deep Reinforcement Learning for Force Control of a Series Elastic Actuator [56.11574814802912]
  最先端のロボットアプリケーションは、歩行、揚力、操作などの複雑なタスクを達成するために、閉ループ力制御を備えた連続弾性アクチュエータ(SEAs)を使用する。 モデルフリーPID制御法はSEAの非線形性により不安定になりやすい。 深層強化学習は連続制御タスクに有効なモデルレス手法であることが証明されている。
  論文  参考訳（メタデータ） (2023-04-11T00:51:47Z)
• Robust, High-Rate Trajectory Tracking on Insect-Scale Soft-Actuated Aerial Robots with Deep-Learned Tube MPC [0.0]
  サブグラムMAV (0.7 グラム) であるMIT SoftFly 上でのアジャイルで効率的な軌道追跡手法を提案する。 我々の戦略は、適応型姿勢制御器と、軌跡追跡堅牢管モデル予測制御器(RTMPC)を模倣する訓練されたニューラルネットワークポリシーを組み合わせたカスケード制御方式を用いている。 我々は,本手法を実験的に評価し,より困難な操作でもルート平均角誤差を1.8cm以下に抑え,従来の作業に比べて最大位置誤差を60%低減し,大きな外乱に対する堅牢性を実証した。
  論文  参考訳（メタデータ） (2022-09-20T21:30:16Z)
• OSCAR: Data-Driven Operational Space Control for Adaptive and Robust Robot Manipulation [50.59541802645156]
  オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。 本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。 本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2021-10-02T01:21:38Z)

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。