論文の概要: Physics-Embedded Neural ODEs for Learning Antagonistic Pneumatic Artificial Muscle Dynamics

• arxiv url: http://arxiv.org/abs/2602.23670v1
• Date: Fri, 27 Feb 2026 04:38:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.757394
• Title: Physics-Embedded Neural ODEs for Learning Antagonistic Pneumatic Artificial Muscle Dynamics
• Title（参考訳）: 空気圧人工筋肉運動の学習のための物理埋め込み型ニューラルネットワーク
• Authors: Xinyao Wang, Jonathan Realmuto,
• Abstract要約: 空気圧人工筋肉(PAM)は、柔らかいウェアラブル、補助的、対話的なロボットのための適合した運動を可能にする。 本稿では,物理構造を学習モデルに組み込んだハイブリッド型ニューラル常微分方程式の枠組みを提案する。
• 参考スコア（独自算出の注目度）: 2.8169681659450876
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pneumatic artificial muscles (PAMs) enable compliant actuation for soft wearable, assistive, and interactive robots. When arranged antagonistically, PAMs can provide variable impedance through co-contraction but exhibit coupled, nonlinear, and hysteretic dynamics that challenge modeling and control. This paper presents a hybrid neural ordinary differential equation (Neural ODE) framework that embeds physical structure into a learned model of antagonistic PAM dynamics. The formulation combines parametric joint mechanics and pneumatic state dynamics with a neural network force component that captures antagonistic coupling and rate-dependent hysteresis. The forward model predicts joint motion and chamber pressures with a mean R$^2$ of 0.88 across 225 co-contraction conditions. An inverse formulation, derived from the learned dynamics, computes pressure commands offline for desired motion and stiffness profiles, tracked in closed loop during execution. Experimental validation demonstrates reliable stiffness control across 126-176 N/mm and consistent impedance behavior across operating velocities, in contrast to a static model, which shows degraded stiffness consistency at higher velocities.
• Abstract（参考訳）: 空気圧人工筋肉(PAM)は、柔らかいウェアラブル、補助的、対話的なロボットのための適合した運動を可能にする。 対角的に配置すると、PAMは共引き込みによる可変インピーダンスを提供するが、モデリングと制御に挑戦する結合性、非線形性、およびヒステリックダイナミクスを示す。 本稿では,物理構造を学習モデルに組み込んだハイブリッド型ニューラル常微分方程式(Neural ODE)を提案する。 この定式化は、パラメトリック関節力学と空気圧状態力学と、対角結合と速度依存ヒステリシスを捉えるニューラルネットワーク力成分を組み合わせる。 フォワードモデルは、225のココントラクション条件で平均R$^2$の0.88の関節運動と室内圧力を予測する。 学習力学から派生した逆定式化は、実行中にクローズドループで追跡される所望の動作と剛性プロファイルに対して、圧力コマンドをオフラインで計算する。 実験による検証では,126-176 N/mmの剛性制御と,高速度での剛性整合性の低下を示す静的モデルとは対照的に,動作速度におけるインピーダンス挙動の整合性を示す。

関連論文リスト

• DynVLA: Learning World Dynamics for Action Reasoning in Autonomous Driving [47.8729375581201]
  DynVLAは、Dynamics CoTと呼ばれる新しいCoTパラダイムを導入した駆動VLAモデルである。 コンパクトなダイナミクス表現を得るために、DynVLAは、将来の進化を小さなダイナミックストークンに圧縮するDynamic Tokenizerを導入した。 我々はDynVLAをSFTおよびRFTを介して動作前に動的トークンを生成するように訓練し、遅延効率の高い推論を維持しながら意思決定品質を向上させる。
  論文  参考訳（メタデータ） (2026-03-11T17:59:31Z)
• 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)
• Dynamic Modeling and MPC for Locomotion of Tendon-Driven Soft Quadruped [0.0]
  SLOT(Soft Legged Omnidirectional Tetrapod)は3DプリントされたTPU脚を持つ腱駆動の柔らかい四足歩行ロボットである。 各脚は離散コッサートロッド理論を用いて変形可能な連続体としてモデル化される。 モジュラー・ボディ・モデリング・フレームワークが導入され、従順な脚のダイナミクスが表現される。
  論文  参考訳（メタデータ） (2026-02-18T11:14:22Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Probabilistic Latent Variable Modeling for Dynamic Friction Identification and Estimation [2.638878351659023]
  ロボット工学における動的モデルの同定は、制御設計、摩擦補償、出力トルク推定をサポートするために不可欠である。 本稿では,潜伏状態を用いたロボット関節の未同定ダイナミクスについて考察する。 予測最大化 (EM) アルゴリズムを用いてモデルパラメータの近似最大推定 (MLE) を求める。
  論文  参考訳（メタデータ） (2024-12-20T10:16:18Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• End-to-End Learning of Hybrid Inverse Dynamics Models for Precise and Compliant Impedance Control [16.88250694156719]
  剛体力学モデルの物理的に一貫した慣性パラメータを同定できる新しいハイブリッドモデルの定式化を提案する。 7自由度マニピュレータ上での最先端の逆動力学モデルに対する我々のアプローチを比較した。
  論文  参考訳（メタデータ） (2022-05-27T07:39:28Z)

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。