論文の概要: CableRobotGraphSim: A Graph Neural Network for Modeling Partially Observable Cable-Driven Robot Dynamics
- arxiv url: http://arxiv.org/abs/2602.21331v1
- Date: Tue, 24 Feb 2026 20:01:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:41.684812
- Title: CableRobotGraphSim: A Graph Neural Network for Modeling Partially Observable Cable-Driven Robot Dynamics
- Title（参考訳）: CableRobotGraphSim: 部分的に観察可能なケーブル駆動ロボットダイナミクスをモデル化するためのグラフニューラルネットワーク
- Authors: Nelson Chen, William R. Johnson, Rebecca Kramer-Bottiglio, Kostas Bekris, Mridul Aanjaneya,
- Abstract要約: この研究は、ケーブル駆動ロボットのための新しいグラフニューラルネットワーク(GNN)モデルである textttCableRobotGraphSim を提示する。
ケーブル駆動型ロボットをグラフとして表現することで、このモデルは他のシミュレーションモデルや実際のロボットの特性と迅速かつ正確に一致させることができる。
- 参考スコア（独自算出の注目度）: 2.334980049676074
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: General-purpose simulators have accelerated the development of robots. Traditional simulators based on first-principles, however, typically require full-state observability or depend on parameter search for system identification. This work presents \texttt{CableRobotGraphSim}, a novel Graph Neural Network (GNN) model for cable-driven robots that aims to address shortcomings of prior simulation solutions. By representing cable-driven robots as graphs, with the rigid-bodies as nodes and the cables and contacts as edges, this model can quickly and accurately match the properties of other simulation models and real robots, while ingesting only partially observable inputs. Accompanying the GNN model is a sim-and-real co-training procedure that promotes generalization and robustness to noisy real data. This model is further integrated with a Model Predictive Path Integral (MPPI) controller for closed-loop navigation, which showcases the model's speed and accuracy.
- Abstract（参考訳）: 汎用シミュレータはロボットの開発を加速させた。
しかしながら、第一原理に基づく従来のシミュレータは、一般に完全な可観測性を必要とするか、またはシステム識別のためのパラメータ探索に依存する。
この研究は、ケーブル駆動ロボットのための新しいグラフニューラルネットワーク(GNN)モデルである‘texttt{CableRobotGraphSim}を提示する。
ケーブル駆動ロボットをグラフとして表現し、剛体をノードとし、ケーブルと接点をエッジとして表現することにより、このモデルは他のシミュレーションモデルや実際のロボットの特性と迅速かつ正確に一致し、部分的に観察可能な入力のみを摂取することができる。
GNNモデルに対応するのは、ノイズの多い実データに対する一般化と堅牢性を促進する、sim-and-realコトレーニング手順である。
このモデルは、クローズドループナビゲーションのためのモデル予測パス積分(MPPI)コントローラとさらに統合されており、モデルの速度と精度を示している。
関連論文リスト
- SMART: A Surrogate Model for Predicting Application Runtime in Dragonfly Systems [13.688119091055244]
本稿では,グラフニューラルネットワーク(GNN)と大規模言語モデル(LLM)を組み合わせて,ポートレベルのルータデータから空間的および時間的パターンを抽出する代理モデルを提案する。
我々のモデルは、既存の統計と機械学習のベースラインを上回り、正確なランタイム予測を可能にし、Dragonflyネットワークの効率的なハイブリッドシミュレーションをサポートする。
論文 参考訳（メタデータ） (2025-11-14T09:39:43Z) - Context-aware Learned Mesh-based Simulation via Trajectory-Level Meta-Learning [20.72669976554826]
Learned Graph Network Simulators (GNS)は、従来のメッシュベースの物理シミュレータに代わる有望な代替手段を提供する。
その速度と固有の微分性は、ロボット操作や製造最適化のような高速で正確なシミュレーションを必要とするアプリケーションに適している。
動作プリミティブを用いて、1つのモデルコールから高速で安定で正確なシミュレーションを直接予測する。
論文 参考訳（メタデータ） (2025-11-07T13:34:02Z) - Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。
我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。
高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
論文 参考訳（メタデータ） (2024-03-25T11:29:32Z) - Grounding Graph Network Simulators using Physical Sensor Observations [12.017054986629846]
実世界観測において,センサ情報を地上グラフネットワークシミュレータに統合する。
点クラウドデータを用いて変形可能なオブジェクトのメッシュ状態を予測する。
論文 参考訳（メタデータ） (2023-02-23T09:06:42Z) - 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) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳（メタデータ） (2022-06-15T17:29:57Z) - Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling
and Design [68.1682448368636]
本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。
異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。
出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
論文 参考訳（メタデータ） (2022-03-29T21:18:47Z) - KNODE-MPC: A Knowledge-based Data-driven Predictive Control Framework
for Aerial Robots [5.897728689802829]
我々は、知識に基づくニューラル常微分方程式(KNODE)というディープラーニングツールを用いて、第一原理から得られたモデルを拡張する。
得られたハイブリッドモデルは、名目上の第一原理モデルと、シミュレーションまたは実世界の実験データから学習したニューラルネットワークの両方を含む。
閉ループ性能を改善するため、ハイブリッドモデルはKNODE-MPCとして知られる新しいMPCフレームワークに統合される。
論文 参考訳（メタデータ） (2021-09-10T12:09:18Z)
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。