論文の概要: System Identification under Constraints and Disturbance: A Bayesian Estimation Approach

• arxiv url: http://arxiv.org/abs/2602.16358v1
• Date: Wed, 18 Feb 2026 10:45:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.538131
• Title: System Identification under Constraints and Disturbance: A Bayesian Estimation Approach
• Title（参考訳）: 制約と外乱下におけるシステム同定:ベイズ推定手法
• Authors: Sergi Martinez, Steve Tonneau, Carlos Mastalli,
• Abstract要約: 本稿では,ロボットの状態軌跡と物理パラメータを高精度に推定するためのベイズシステム同定(SysID)フレームワークを提案する。 物理的に一貫した逆ダイナミクス、接触とループ閉鎖の制約を組み込んでおり、関節摩擦モデルを完全にハードでステージワイドな等式制約として特徴付ける。
• 参考スコア（独自算出の注目度）: 5.58001571731715
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a Bayesian system identification (SysID) framework for jointly estimating robot's state trajectories and physical parameters with high accuracy. It embeds physically consistent inverse dynamics, contact and loop-closure constraints, and fully featured joint friction models as hard, stage-wise equality constraints. It relies on energy-based regressors to enhance parameter observability, supports both equality and inequality priors on inertial and actuation parameters, enforces dynamically consistent disturbance projections, and augments proprioceptive measurements with energy observations to disambiguate nonlinear friction effects. To ensure scalability, we derive a parameterized equality-constrained Riccati recursion that preserves the banded structure of the problem, achieving linear complexity in the time horizon, and develop computationally efficient derivatives. Simulation studies on representative robotic systems, together with hardware experiments on a Unitree B1 equipped with a Z1 arm, demonstrate faster convergence, lower inertial and friction estimation errors, and improved contact consistency compared to forward-dynamics and decoupled identification baselines. When deployed within model predictive control frameworks, the resulting models yield measurable improvements in tracking performance during locomotion over challenging environments.
• Abstract（参考訳）: 本稿では,ロボットの状態軌跡と物理パラメータを高精度に推定するためのベイズシステム同定(SysID)フレームワークを提案する。 物理的に一貫した逆ダイナミクス、接触とループ閉鎖の制約を組み込んでおり、関節摩擦モデルを完全にハードでステージワイドな等式制約として特徴付ける。 これは、パラメータの可観測性を高めるためにエネルギーベースの回帰器に依存し、慣性および運動パラメータの平等性と不等式の両方の先行性をサポートし、動的に一貫した外乱投射を強制し、非線形摩擦効果を曖昧にするためにエネルギー観測による主観的測定を増強する。 スケーラビリティを確保するために,問題のバンド構造を保ち,時間軸の線形複雑性を達成し,計算効率の良い微分を開発するパラメータ化等式制約付き Riccati 再帰法 を導出する。 Z1アームを装備したユニツリーB1のハードウェア実験とともに、代表ロボットシステムのシミュレーション研究を行い、より高速な収束、慣性および摩擦推定誤差の低減、前方力学や分離された識別ベースラインと比較して接触一貫性の向上を示した。 モデル予測制御フレームワークにデプロイされると、結果として得られるモデルは、困難な環境よりも、移動中のパフォーマンスを追跡するための測定可能な改善をもたらす。

関連論文リスト

• Intelligent Control of Differential Drive Robots Subject to Unmodeled Dynamics with EKF-based State Estimation [28.37226750522601]
  この研究は、リアプノフに基づく非線形コントローラと適応ネットワーク(ANN)を組み合わせた統一制御と状態推定フレームワークを導入する。 提案した制御器はニューラルネットワークの普遍近似特性を利用して未知の非線形性をリアルタイムでモデル化する。 堅牢な状態推定を保証するため、EKFは単分子、2D-LiDARおよびホイールエンコーダから慣性測定ユニット(IMU)とオドメトリーを融合させる。
  論文  参考訳（メタデータ） (2026-03-16T07:44:28Z)
• Shape Control of a Planar Hyper-Redundant Robot via Hybrid Kinematics-Informed and Learning-based Approach [42.55947704321053]
  ハイパー冗長ロボットは、厳密で非構造的な環境での操作をうまく行うことができる。 到達可能な作業空間を拡張するために,多段式フレキシブルラック作動型平面ロボットを開発した。 本研究では,SpatioCoupledNet というハイブリッドキネマティクス・インフォームド・学習型形状制御手法を提案する。
  論文  参考訳（メタデータ） (2026-03-11T04:35:06Z)
• Adaptive Manipulation Potential and Haptic Estimation for Tool-Mediated Interaction [14.888648782445694]
  本稿では,ツール間相互作用の統一表現として,パラメータ化された平衡マニフォールド(EM)を提案する。 我々は,ハプティック推定,オンライン計画,適応剛性制御を統合したクローズドループフレームワークを開発した。 このフレームワークはシミュレーションと260以上の現実世界のスクリューロージング試験によって検証されている。
  論文  参考訳（メタデータ） (2026-03-11T02:57:55Z)
• STRIDE: Structured Lagrangian and Stochastic Residual Dynamics via Flow Matching [2.5845893156827158]
  本研究では、保守的な剛体力学を不確実かつ効果的に非保守的な相互作用効果から分離する動的学習フレームワークSTRIDEを提案する。 本研究は,ペンデュラム,Unitree Go1ruped,Unitree G1 humanoidなど複雑度の高いシステム上でのSTRIDEの評価である。 その結果, 長軸予測誤差が20%減少し, 接触力予測誤差が30%減少した。
  論文  参考訳（メタデータ） (2026-03-09T15:15:21Z)
• Hybrid Model Predictive Control with Physics-Informed Neural Network for Satellite Attitude Control [2.7222301668137483]
  信頼性の高い宇宙船の姿勢制御は、姿勢力学の正確な予測に依存する。 複雑な力学を持つ宇宙船では、正確な物理モデルを得るのは難しい、時間を要する、あるいは計算的に重い。 本研究では、宇宙船の姿勢力学をモデル化するための物理情報ニューラルネットワーク(PINN)について検討する。
  論文  参考訳（メタデータ） (2026-02-17T19:08:48Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• Interpretable Robotic Friction Learning via Symbolic Regression [52.41267112707149]
  ロボット関節における摩擦トルクの正確なモデリングは、堅牢な数学的記述の要求により、長い間困難であった。 伝統的なモデルに基づくアプローチは、しばしば労働集約的であり、広範な実験と専門家の知識を必要とする。 ニューラルネットワークに基づくデータ駆動方式は実装が容易だが、堅牢性に欠けることが多い。
  論文  参考訳（メタデータ） (2025-05-19T14:44:02Z)
• A Unifying Variational Framework for Gaussian Process Motion Planning [44.332875416815384]
  本稿では,変分ガウス過程に基づくロボット動作計画のためのフレームワークを提案する。 我々のフレームワークは、平等ベース、不平等ベース、ソフトモーションプランニング制約を組み込む、原則的で柔軟な方法を提供します。 その結果,提案手法は成功率とパス品質のバランスが良好であることが示唆された。
  論文  参考訳（メタデータ） (2023-09-02T07:51:29Z)
• Feedback-induced instabilities and dynamics in the Jaynes-Cummings model [62.997667081978825]
  時間遅延コヒーレントフィードバックを受けるJaynes-Cummingsモデルのコヒーレンスと定常状態特性について検討する。 導入されたフィードバックは、システムの動的応答と定常量子特性を質的に修正する。
  論文  参考訳（メタデータ） (2020-06-20T10:07:01Z)

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。