論文の概要: Infinite-Dimensional Closed-Loop Inverse Kinematics for Soft Robots via Neural Operators
- arxiv url: http://arxiv.org/abs/2602.18655v2
- Date: Thu, 05 Mar 2026 13:09:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:41.609844
- Title: Infinite-Dimensional Closed-Loop Inverse Kinematics for Soft Robots via Neural Operators
- Title（参考訳）: ニューラルネットワークによるソフトロボットの無限次元閉ループ逆運動学
- Authors: Carina Veil, Moritz Flaschel, Ellen Kuhl, Cosimo Della Santina,
- Abstract要約: キネマティック反転は純粋に幾何学的な問題であり、閉ループ逆キネマティックススキームによって効率的に解かれる。
CLIKの拡張は、コントローラが操作するためのアクティベーションからタスクスペースへのエンドツーエンドマッピングを導入することで、この問題に対処する。
無限次元領域でCLIKを定式化し、タスクを解きながらソフトロボット全体の形状を推論する。
- 参考スコア（独自算出の注目度）: 5.559127468747317
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: For fully actuated rigid robots, kinematic inversion is a purely geometric problem, efficiently solved by closed-loop inverse kinematics (CLIK) schemes that compute joint configurations to position the robot body in space. For underactuated soft robots, however, not all configurations are attainable through control action, making kinematic inversion extremely challenging. Extensions of CLIK address this by introducing end-to-end mappings from actuation to task space for the controller to operate on, but typically assume finite dimensions of the underlying virtual configuration space. In this work, we formulate CLIK in the infinite-dimensional domain to reason about the entire soft robot shape while solving tasks. We do this by composing an actuation-to-shape map with a shape-to-task map, deriving the differential end-to-end kinematics via an infinite-dimensional chain rule, and thereby obtaining a Jacobian-based CLIK algorithm. Since this actuation-to-shape mapping is rarely available in closed form, we propose to learn it using differentiable neural operator networks. We first present an analytical study on a constant-curvature segment, and then apply the neural version of the algorithm to a three-fiber soft robotic arm whose underlying model relies on morphoelasticity and active filament theory.
- Abstract（参考訳）: 完全に作動する剛体ロボットにとって、キネマティック・インバージョンは純粋に幾何学的な問題であり、クローズドループ逆キネマティックス(CLIK)スキームによって効率よく解かれる。
しかし、不活性化ソフトロボットの場合、全ての構成が制御動作によって達成できるわけではないため、キネマティック・インバージョンは非常に困難である。
CLIKの拡張は、アクティベーションからタスク空間へのエンド・ツー・エンドマッピングを導入して、コントローラを動作させるが、一般的には基盤となる仮想構成空間の有限次元を仮定する。
本研究では,CLIKを無限次元領域で定式化し,タスクを解きながらソフトロボット全体の形状を推論する。
これを実現するために, 形状から形状への写像を合成し, 無限次元連鎖則による微分終端キネマティクスを導出し, ヤコビアンに基づくCLIKアルゴリズムを得る。
このアクティベーション・トゥ・シェイプマッピングは、クローズドな形ではほとんど利用できないため、微分可能なニューラル演算子ネットワークを用いて学習することを提案する。
まず、定曲率セグメントの分析研究を行い、そのアルゴリズムのニューラルバージョンを、モルフォ弾性とアクティブフィラメント理論に依存する3繊維ソフトロボットアームに適用する。
関連論文リスト
- Robodimm: A Physics-Grounded Framework for Automated Actuator Sizing in Scalable Modular Robots [0.0]
本稿では,スケーラブルなロボットアーキテクチャにおいて,アクチュエータを自動サイズ化するためのソフトウェアフレームワークであるRobodimmを紹介する。
ピノッキオを動力学に、ピンクを逆運動学に、RobodimmはKKT(Karush-Kuhn-Tucker)の定式化を制約された逆力学に用いた。
論文 参考訳（メタデータ） (2026-03-06T20:33:24Z) - A Unified Low-Dimensional Design Embedding for Joint Optimization of Shape, Material, and Actuation in Soft Robots [4.829343342713712]
形状変形,多材料分布,アクチュエータを統一したソフトロボットのためのスムーズで低次元な設計埋め込みを提案する。
実験では、ニューラルネットワークの符号化と異なり、基礎関数の数に応じて設計が増加することを示す。
さらに, 一体型埋め込みによる形状, 材料, アクティベーションの協調最適化は, 逐次戦略を一貫して上回ることを示す。
論文 参考訳（メタデータ） (2026-03-06T17:33:32Z) - Kinematify: Open-Vocabulary Synthesis of High-DoF Articulated Objects [59.51185639557874]
本稿では,任意のRGB画像やテキスト記述から直接音声オブジェクトを合成するフレームワークであるKinematifyを紹介する。
提案手法は, 高DoFオブジェクトに対する運動的トポロジの推測と静的幾何からの関節パラメータの推定という2つの課題に対処する。
論文 参考訳（メタデータ） (2025-11-03T07:21:42Z) - 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) - Reinforcement learning for freeform robot design [0.0]
任意の外部構造と内部構造を持つ自由形ロボットを設計するためのポリシー勾配を示す。
これは、原子構造ブロックの束を堆積または除去して、付属物、臓器、空洞のような高いレベルの非パラメトリックマクロ構造を形成する作用によって達成される。
論文 参考訳（メタデータ） (2023-10-09T12:39:44Z) - Shuffled Autoregression For Motion Interpolation [53.61556200049156]
この作業は、モーションタスクのためのディープラーニングソリューションを提供することを目的としている。
本稿では,自己回帰を任意の(シャッフルされた)順序で生成するために拡張する,emphShuffled AutoRegressionと呼ばれる新しいフレームワークを提案する。
また,3つのステージを終端から終端の時空間運動変換器に組み込んだ依存グラフの構築手法を提案する。
論文 参考訳（メタデータ） (2023-06-10T07:14:59Z) - 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) - Neural Dynamic Policies for End-to-End Sensorimotor Learning [51.24542903398335]
感覚運動制御における現在の主流パラダイムは、模倣であれ強化学習であれ、生の行動空間で政策を直接訓練することである。
軌道分布空間の予測を行うニューラル・ダイナミック・ポリシー(NDP)を提案する。
NDPは、いくつかのロボット制御タスクにおいて、効率と性能の両面で、これまでの最先端よりも優れている。
論文 参考訳（メタデータ） (2020-12-04T18:59:32Z) - Nothing But Geometric Constraints: A Model-Free Method for Articulated
Object Pose Estimation [89.82169646672872]
本稿では,ロボットアームの関節構成を,モデルに先入観を持たずにRGBまたはRGB-D画像のシーケンスから推定する,教師なし視覚ベースシステムを提案する。
我々は,古典幾何学的定式化と深層学習を組み合わせることで,この課題を解決するために,極性多剛体制約を拡張した。
論文 参考訳（メタデータ） (2020-11-30T20:46:48Z) - Learning Constrained Distributions of Robot Configurations with
Generative Adversarial Network [15.962033896896385]
高次元ロボットシステムでは、有効な構成空間の多様体はしばしば複素形状を持つ。
このような制約下で有効なロボット構成の分布を学習するための生成的敵ネットワークアプローチを提案する。
論文 参考訳（メタデータ） (2020-11-11T11:43:54Z)
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。