論文の概要: Simultaneous State Estimation and Online Model Learning in a Soft Robotic System
- arxiv url: http://arxiv.org/abs/2602.14092v1
- Date: Sun, 15 Feb 2026 10:44:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:41.473194
- Title: Simultaneous State Estimation and Online Model Learning in a Soft Robotic System
- Title（参考訳）: ソフトロボットシステムにおける同時状態推定とオンラインモデル学習
- Authors: Jan-Hendrik Ewering, Max Bartholdt, Simon F. G. Ehlers, Niklas Wahlström, Thomas B. Schön, Thomas Seel,
- Abstract要約: ソフトロボットは、正確な状態とモデル知識を必要とする正確な予測制御スキームの恩恵を受けることができる。
未知の状態を同時に推定し、逐次到着した測定結果からオンラインでモデルを学習することは困難である。
本稿では,最近提案されたグレーボックスシステム識別ツールを用いて,ソフトロボットの現在のポーズを推定する方法を示す。
- 参考スコア（独自算出の注目度）: 11.390437042398114
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Operating complex real-world systems, such as soft robots, can benefit from precise predictive control schemes that require accurate state and model knowledge. This knowledge is typically not available in practical settings and must be inferred from noisy measurements. In particular, it is challenging to simultaneously estimate unknown states and learn a model online from sequentially arriving measurements. In this paper, we show how a recently proposed gray-box system identification tool enables the estimation of a soft robot's current pose while at the same time learning a bending stiffness model. For estimation and learning, we rely solely on a nominal constant-curvature robot model and measurements of the robot's base reactions (e.g., base forces). The estimation scheme -- relying on a marginalized particle filter -- allows us to conveniently interface nominal constant-curvature equations with a Gaussian Process (GP) bending stiffness model to be learned. This, in contrast to estimation via a random walk over stiffness values, enables prediction of bending stiffness and improves overall model quality. We demonstrate, using real-world soft-robot data, that the method learns a bending stiffness model online while accurately estimating the robot's pose. Notably, reduced multi-step forward-prediction errors indicate that the learned bending-stiffness GP improves overall model quality.
- Abstract（参考訳）: ソフトロボットのような複雑な現実世界のシステムを運用することは、正確な状態とモデル知識を必要とする正確な予測制御スキームの恩恵を受けることができる。
この知識は通常、実用的な設定では利用できず、ノイズ測定から推測されなければならない。
特に、未知の状態を同時に推定し、逐次到着した測定結果からオンラインでモデルを学習することは困難である。
本稿では,最近提案されたグレーボックスシステム識別ツールを用いて,曲がり剛性モデルを学ぶと同時に,ソフトロボットの現在のポーズを推定する方法について述べる。
推定と学習には,定性的定曲率ロボットモデルと,ロボットの基本反応(例えば,基本力)の測定のみを頼りにしている。
余分な粒子フィルタに依存する推定法は、ガウス過程(GP)の曲げ剛性モデルを用いて、特異な定数曲率方程式を便利にインターフェースすることができる。
これは、剛性値に対するランダムウォークによる推定とは対照的に、曲げ剛性を予測することができ、全体的なモデル品質を改善することができる。
実世界のソフトロボットデータを用いて,ロボットの姿勢を正確に推定しながら,オンラインで曲げ剛性モデルを学ぶことを実証した。
特に,複数ステップ前方予測誤差の低減は,学習された曲げ剛性GPが全体のモデル品質を改善することを示す。
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) - Learning Low-Dimensional Strain Models of Soft Robots by Looking at the Evolution of Their Shape with Application to Model-Based Control [2.058941610795796]
本稿では,低次元物理モデル学習のための合理化手法を提案する。
各種平面ソフトマニピュレータを用いたシミュレーションにより,本手法の有効性を検証した。
物理的に互換性のあるモデルを生成する方法のおかげで、学習したモデルはモデルベースの制御ポリシーと簡単に組み合わせることができる。
論文 参考訳（メタデータ） (2024-10-31T18:37:22Z) - End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。
エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-08-03T10:21:53Z) - Stabilizing Machine Learning Prediction of Dynamics: Noise and
Noise-inspired Regularization [58.720142291102135]
近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。
緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。
トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
論文 参考訳（メタデータ） (2022-11-09T23:40:52Z) - LEARNEST: LEARNing Enhanced Model-based State ESTimation for Robots
using Knowledge-based Neural Ordinary Differential Equations [4.3403382998035624]
本研究では、状態推定アルゴリズムで用いられる力学モデルを強化することにより、ロボットシステムの正確な状態推定を行うタスクについて考察する。
動的モデルの強化と推定精度の向上のために,知識ベースニューラル常微分方程式(KNODE)と呼ばれるディープラーニングフレームワークを利用する。
提案する LEARNEST フレームワークでは,データ駆動モデルと KNODE-MHE と KNODE-UKF の2つの新しいモデルベース状態推定アルゴリズムを統合する。
論文 参考訳（メタデータ） (2022-09-16T22:16:40Z) - Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse
Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。
学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
論文 参考訳（メタデータ） (2022-09-07T15:15:12Z) - Online Dynamics Learning for Predictive Control with an Application to
Aerial Robots [3.673994921516517]
予測モデルは学習し、モデルベースのコントローラに適用することができるが、これらのモデルはしばしばオフラインで学習される。
このオフライン設定では、トレーニングデータをまず収集し、精巧なトレーニング手順により予測モデルを学ぶ。
本稿では,デプロイ中の動的モデルの精度を継続的に向上するオンライン動的学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-19T15:51:25Z) - Online Body Schema Adaptation through Cost-Sensitive Active Learning [63.84207660737483]
この作業は、icubロボットシミュレータの7dofアームを使用して、シミュレーション環境で実行された。
コストに敏感な能動学習手法は最適な関節構成を選択するために用いられる。
その結果,コスト依存型能動学習は標準的な能動学習手法と同等の精度を示し,実行運動の約半分を減らした。
論文 参考訳（メタデータ） (2021-01-26T16:01:02Z)
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。