論文の概要: Model-based Optimal Control for Rigid-Soft Underactuated Systems

• arxiv url: http://arxiv.org/abs/2602.03435v1
• Date: Tue, 03 Feb 2026 11:59:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.137385
• Title: Model-based Optimal Control for Rigid-Soft Underactuated Systems
• Title（参考訳）: 剛体ソフト作動系のモデルベース最適制御
• Abstract要約: 本研究は,非作動型ソフトシステム(ダイレクトコロケーション,動的微分プログラミング,モデル予測制御)の3つの最適制御戦略について検討する。 厳密な連続力学と制約された運動に対処するために、暗黙の統合スキームとウォームスタート戦略を用いて数値ロバスト性と計算効率を向上させる。 これらの手法は, ソフトカートポール, ソフトペンデュボット, ソフトフルタペンデュラムの3種類のソフトベンチマークシステムにおいて, 性能と計算上のトレードオフを強調したシミュレーションで評価された。
• 参考スコア（独自算出の注目度）: 8.552556328397673
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Continuum soft robots are inherently underactuated and subject to intrinsic input constraints, making dynamic control particularly challenging, especially in hybrid rigid-soft robots. While most existing methods focus on quasi-static behaviors, dynamic tasks such as swing-up require accurate exploitation of continuum dynamics. This has led to studies on simple low-order template systems that often fail to capture the complexity of real continuum deformations. Model-based optimal control offers a systematic solution; however, its application to rigid-soft robots is often limited by the computational cost and inaccuracy of numerical differentiation for high-dimensional models. Building on recent advances in the Geometric Variable Strain model that enable analytical derivatives, this work investigates three optimal control strategies for underactuated soft systems-Direct Collocation, Differential Dynamic Programming, and Nonlinear Model Predictive Control-to perform dynamic swing-up tasks. To address stiff continuum dynamics and constrained actuation, implicit integration schemes and warm-start strategies are employed to improve numerical robustness and computational efficiency. The methods are evaluated in simulation on three Rigid-Soft and high-order soft benchmark systems-the Soft Cart-Pole, the Soft Pendubot, and the Soft Furuta Pendulum- highlighting their performance and computational trade-offs.
• Abstract（参考訳）: 連続型ソフトロボットは本質的に不活性化されており、本質的な入力制約を受けており、特にハイブリッドソフトロボットでは動的制御が特に困難である。 既存の手法の多くは準静的な振る舞いに重点を置いているが、スイングアップのような動的タスクは連続体力学の正確な利用を必要とする。 これは、しばしば実連続体変形の複雑さを捉えるのに失敗する単純な低階テンプレートシステムの研究につながった。 モデルベース最適制御は、体系的な解を提供するが、高次元モデルにおける数値微分の計算コストと不正確さによって、剛性ソフトロボットへの応用が制限されることがしばしばある。 解析的微分を可能にする幾何可変ひずみモデルにおける最近の進歩を基礎として,不活性化ソフトシステムにおける3つの最適制御戦略(ダイレクトコロケーション,微分動的計画,非線形モデル予測制御)を考察し,動的スレッディングアップタスクを実行する。 厳密な連続力学と制約された運動に対処するために、暗黙の統合スキームとウォームスタート戦略を用いて数値ロバスト性と計算効率を向上させる。 これらの手法は, ソフトカートポール, ソフトペンデュボット, ソフトフルタペンデュラムの3種類のソフトベンチマークシステムにおいて, 性能と計算上のトレードオフを強調したシミュレーションで評価された。

関連論文リスト

• Let the Dynamics Flow: Stable Flow Matching Dynamical Systems [13.796642439884849]
  本稿では,高キャパシティ生成モデルと形式的リアプノフ安定性保証のギャップを埋める新しいフレームワークである安定流整合力学系(SFMDS)を紹介する。 SFMDSはフローマッチングによって動的システムをパラメータ化し、同時にモデルを安定解の族に制約する。 ベンチマークデータセット、シミュレーション、ヒューマノイドロボットの実験により、SFMDSは低次元および高次元の状態空間において安定でスケーラブルでマルチモーダルな力学系を学習することが示された。
  論文  参考訳（メタデータ） (2026-06-02T16:17:26Z)
• Trajectory Generation for Underactuated Soft Robot Manipulators using Discrete Elastic Rod Dynamics [2.739506394240299]
  動的に実現可能な軌道を持つ計画運動は任意の変形を捉えるモデルを必要とする。 本研究は,空気圧式ソフトロボットアームを用いた軌道生成の枠組みを実験的に検証する。
  論文  参考訳（メタデータ） (2026-03-23T22:01:14Z)
• A General Lie-Group Framework for Continuum Soft Robot Modeling [3.0588867238694157]
  本稿では,連続体ソフトロボットのモデリングのための一般リー群フレームワークを提案する。 このフレームワークは、セグメント化、分岐、ネスト化、硬質ソフト複合構成を含む複雑なロボット構造を扱うように拡張されている。
  論文  参考訳（メタデータ） (2026-03-09T11:03:21Z)
• Reduced-order Control and Geometric Structure of Learned Lagrangian Latent Dynamics [16.958692029614994]
  本稿では,高次元ラグランジアンシステムのための学習構造保存型低次ダイナミクスに基づく潜在制御フレームワークを提案する。 モデリングエラーの原因を定量化することにより、安定性と収束性の解釈可能な条件を導出する。 提案した制御器と解析を,学習された動作パターンを導入して不活性化系に拡張する。
  論文  参考訳（メタデータ） (2026-02-09T18:00:04Z)
• Fractional-order Modeling for Nonlinear Soft Actuators via Particle Swarm Optimization [49.34452620841728]
  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。
  論文  参考訳（メタデータ） (2025-12-20T04:46:25Z)
• Learning Soft Robotic Dynamics with Active Exploration [42.02038229113609]
  ソフトロボットは、非構造環境における不整合適応性と安全性を提供する。 既存のデータ駆動アプローチは、狭義のタスク実証によって制約された一般化に失敗する。 我々は不確実性を認識したアクティブな探索フレームワークであるSoftAEを紹介する。
  論文  参考訳（メタデータ） (2025-10-31T12:35:02Z)
• Dynamic Manipulation of Deformable Objects in 3D: Simulation, Benchmark and Learning Strategy [88.8665000676562]
  従来の手法は、しばしば問題を低速または2D設定に単純化し、現実の3Dタスクに適用性を制限する。 データ不足を軽減するため、新しいシミュレーションフレームワークと、低次ダイナミクスに基づくベンチマークを導入する。 本研究では,シミュレーション前トレーニングと物理インフォームドテスト時間適応を統合するフレームワークであるDynamics Informed Diffusion Policy (DIDP)を提案する。
  論文  参考訳（メタデータ） (2025-05-23T03:28:25Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Distributed Robust Learning based Formation Control of Mobile Robots based on Bioinspired Neural Dynamics [14.149584412213269]
  まず,変数構造とカスケード設計手法を用いた分散推定器を導入し,実時間性能向上のための微分情報の必要性を排除した。 そして、スムーズな制御入力を提供し、スピードジャンプ問題を効果的に解決することを目的とした、バイオインスパイアされたニューラルダイナミックベースのアプローチを用いて、キネマティックトラッキング制御法を開発した。 完全に未知の力学と乱れを持つロボットの課題に対処するために,学習に基づく頑健な動的コントローラを開発した。
  論文  参考訳（メタデータ） (2024-03-23T04:36:12Z)
• Safe Machine-Learning-supported Model Predictive Force and Motion Control in Robotics [0.0]
  人間とロボットの相互作用や脆弱な物体のハンドリングのような多くのロボットタスクは、安全かつ高性能な操作を実現するために、動き制御と共に現れる力とモーメントの厳密な制御と制限を必要とする。 本研究では,学習支援型モデル予測力と運動制御方式を提案する。
  論文  参考訳（メタデータ） (2023-03-08T13:30:02Z)
• Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model Predictive Control [46.81433026280051]
  本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。 我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
  論文  参考訳（メタデータ） (2022-10-23T00:45:05Z)
• Differentiable Simulation of Soft Multi-body Systems [99.4302215142673]
  我々は、Projective Dynamics内でトップダウン行列アセンブリアルゴリズムを開発する。 筋肉,関節トルク,空気圧管によって駆動される軟口蓋体に対して,異なる制御機構を導出する。
  論文  参考訳（メタデータ） (2022-05-03T20:03:22Z)
• DySMHO: Data-Driven Discovery of Governing Equations for Dynamical Systems via Moving Horizon Optimization [77.34726150561087]
  本稿では,スケーラブルな機械学習フレームワークである移動水平最適化(DySMHO)による動的システムの発見について紹介する。 DySMHOは、基底関数の大きな辞書から基礎となる支配方程式を逐次学習する。 標準非線形力学系の例は、DySMHOが規則を正確に回復できることを示すために用いられる。
  論文  参考訳（メタデータ） (2021-07-30T20:35:03Z)

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。