論文の概要: Uncertainty-Aware Adaptive Dynamics For Underwater Vehicle-Manipulator Robots
- arxiv url: http://arxiv.org/abs/2603.06548v1
- Date: Fri, 06 Mar 2026 18:35:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:42.003872
- Title: Uncertainty-Aware Adaptive Dynamics For Underwater Vehicle-Manipulator Robots
- Title（参考訳）: 水中自動車マニピュレータロボットのための不確実性認識適応ダイナミクス
- Authors: Edward Morgan, Nenyi K Dadson, Corina Barbalata,
- Abstract要約: 本稿では,新しい不確実性を考慮した適応力学モデルフレームワークを提案する。
オンライン推定中に、凸的な物理的一貫性の制約を埋め込む。
4-DOFマニピュレータを搭載したBlueROV2ヘビーの実験は、急速に収束し、キャリブレーションされた予測を示す。
- 参考スコア（独自算出の注目度）: 0.5161531917413708
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate and adaptive dynamic models are critical for underwater vehicle-manipulator systems where hydrodynamic effects induce time-varying parameters. This paper introduces a novel uncertainty-aware adaptive dynamics model framework that remains linear in lumped vehicle and manipulator parameters, and embeds convex physical consistency constraints during online estimation. Moving horizon estimation is used to stack horizon regressors, enforce realizable inertia, damping, friction, and hydrostatics, and quantify uncertainty from parameter evolution. Experiments on a BlueROV2 Heavy with a 4-DOF manipulator demonstrate rapid convergence and calibrated predictions. Manipulator fits achieve R2 = 0.88 to 0.98 with slopes near unity, while vehicle surge, heave, and roll are reproduced with good fidelity under stronger coupling and noise. Median solver time is approximately 0.023 s per update, confirming online feasibility. A comparison against a fixed parameter model shows consistent reductions in MAE and RMSE across degrees of freedom. Results indicate physically plausible parameters and confidence intervals with near 100% coverage, enabling reliable feedforward control and simulation in underwater environments.
- Abstract（参考訳）: 高精度かつ適応的な力学モデルは、流体力学的効果が時間変化パラメータを誘導する水中の車両マニピュレータシステムにとって重要である。
本稿では,輪車およびマニピュレータパラメータにおいて線形であり,オンライン推定中に凸的な物理的一貫性制約を埋め込む,新しい不確実性を考慮した適応力学モデルフレームワークを提案する。
地平線推定は地平線回帰器を積み重ね、実現可能な慣性、減衰、摩擦、静水圧を強制し、パラメータの進化から不確実性を定量化するために用いられる。
4-DOFマニピュレータを搭載したBlueROV2ヘビーの実験は、急速に収束し、キャリブレーションされた予測を示す。
マニピュレータはR2 = 0.88 から 0.98 に収まるが、車両のサージ、ヒーブ、ロールはより強い結合とノイズの下で良好な忠実さで再現される。
メディアソルバの時間は約0.023秒であり、オンライン実現可能性を確認している。
固定パラメータモデルとの比較では、自由度でMAEとRMSEが一貫した減少を示す。
その結果, 約100%のカバー範囲で, 物理的に妥当なパラメータと信頼区間を示し, 水中環境下での信頼性の高いフィードフォワード制御とシミュレーションを可能にした。
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) - 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) - 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) - 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) - 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) - Probabilities Are Not Enough: Formal Controller Synthesis for Stochastic
Dynamical Models with Epistemic Uncertainty [68.00748155945047]
複雑な力学系のモデルにおける不確実性を捉えることは、安全なコントローラの設計に不可欠である。
いくつかのアプローチでは、安全と到達可能性に関する時間的仕様を満たすポリシーを形式的な抽象化を用いて合成する。
我々の貢献は、ノイズ、不確実なパラメータ、外乱を含む連続状態モデルに対する新しい抽象的制御法である。
論文 参考訳（メタデータ） (2022-10-12T07:57:03Z) - Using Conservation Laws to Infer Deep Learning Model Accuracy of
Richtmyer-meshkov Instabilities [0.0]
Richtmyer-Meshkov不安定(RMI)は、衝撃波が摂動界面を通過するときに起こる複雑な現象である。
深層学習は、初期幾何学的摂動の時間的マッピングを密度と速度のフルフィールド流体力学解に学習するために用いられた。
ディープラーニングモデルからの予測は、時間的RMI生成を正確に捉えているように見える。
論文 参考訳（メタデータ） (2022-07-19T02:20:47Z) - Physics-informed machine learning with differentiable programming for
heterogeneous underground reservoir pressure management [64.17887333976593]
地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。
地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。
過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
論文 参考訳（メタデータ） (2022-06-21T20:38:13Z) - Real-time simulation of parameter-dependent fluid flows through deep
learning-based reduced order models [0.2538209532048866]
還元次数モデル (ROM) はパラメータ依存の流体力学問題を高速に近似する。
ディープラーニング(DL)ベースのROMは、非線形トライアル多様体と還元力学の両方を非侵襲的に学習することで、これらの制限をすべて克服する。
得られたPOD-DL-ROMは、シリンダーベンチマークの周囲の流れ、固定された剛性ブロックに付着した弾性ビームとラミナー非圧縮性フローとの流体構造相互作用、大脳動脈瘤内の血流のほぼリアルタイムに正確な結果をもたらすことが示されている。
論文 参考訳（メタデータ） (2021-06-10T13:07:33Z) - Hybrid Physics and Deep Learning Model for Interpretable Vehicle State
Prediction [75.1213178617367]
深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。
ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。
その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
論文 参考訳（メタデータ） (2021-03-11T15:21:08Z)
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。