論文の概要: Model-Free Co-Optimization of Manufacturable Sensor Layouts and Deformation Proprioception

• arxiv url: http://arxiv.org/abs/2603.10059v1
• Date: Mon, 09 Mar 2026 20:40:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.173469
• Title: Model-Free Co-Optimization of Manufacturable Sensor Layouts and Deformation Proprioception
• Title（参考訳）: 製造可能なセンサレイアウトのモデルフリー協調最適化と変形特性
• Authors: Yingjun Tian, Guoxin Fang, Aoran Lyu, Xilong Wang, Zikang Shi, Yuhu Guo, Weiming Wang, Charlie C. L. Wang,
• Abstract要約: この研究は、フレキシブルな長さ測定センサの数、長さ、配置を共同で最適化する、モデルフリーでデータ駆動型計算パイプラインを導入している。 パイプラインには、予測精度と製造可能性の制約の両方を考慮した、微分可能な損失関数が組み込まれている。 このアプローチの有効性と汎用性は、複数のソフトロボットおよびウェアラブルシステムにおける数値的および物理的実験を通じて検証される。
• 参考スコア（独自算出の注目度）: 8.757018213340926
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Flexible sensors are increasingly employed in soft robotics and wearable devices to provide proprioception of freeform deformations.Although supervised learning can train shape predictors from sensor signals, prediction accuracy strongly depends on sensor layout, which is typically determined heuristically or through trial-and-error. This work introduces a model-free, data-driven computational pipeline that jointly optimizes the number, length, and placement of flexible length-measurement sensors together with the parameters of a shape prediction network for large freeform deformations. Unlike model-based approaches, the proposed method relies solely on datasets of deformed shapes, without requiring physical simulation models, and is therefore broadly applicable to diverse robotic sensing tasks. The pipeline incorporates differentiable loss functions that account for both prediction accuracy and manufacturability constraints. By co-optimizing sensor layouts and network parameters, the method significantly improves deformation prediction accuracy over unoptimized layouts while ensuring practical feasibility. The effectiveness and generality of the approach are validated through numerical and physical experiments on multiple soft robotic and wearable systems.
• Abstract（参考訳）: フレキシブルセンサーはソフトロボティクスやウェアラブルデバイスにますます採用され、フリーフォーム変形の先駆性を提供するが、教師付き学習はセンサー信号から形状予測器を訓練するが、予測精度はセンサーレイアウトに強く依存する。 本研究は, フレキシブルな長さ計測センサの数, 長さ, 配置を, 大きな自由形変形のための形状予測ネットワークのパラメータとともに共同で最適化する, モデルフリーでデータ駆動型計算パイプラインを提案する。 モデルに基づくアプローチとは異なり、提案手法は物理的シミュレーションモデルを必要とせず、変形した形状のデータセットのみに依存するため、多様なロボットセンシングタスクに広く適用できる。 パイプラインには、予測精度と製造可能性の制約の両方を考慮した、微分可能な損失関数が組み込まれている。 センサレイアウトとネットワークパラメータを協調最適化することにより,非最適化レイアウトに対する変形予測精度を大幅に向上し,実用的な実現性を確保した。 このアプローチの有効性と汎用性は、複数のソフトロボットおよびウェアラブルシステムにおける数値的および物理的実験を通じて検証される。

関連論文リスト

• Optimal Experimental Design for Reliable Learning of History-Dependent Constitutive Laws [1.833390702234781]
  歴史に依存したモデルは、マイクロメカニクスの集合効果のクロージャとして機能する。 実験予算が限られているため、関係を特徴付けるのに必要な全ての応答を抽出することは困難である。 本研究では,ベイズ最適設計フレームワークを提案し,実験設計の有用性を定量化し,解釈し,最大化する。
  論文  参考訳（メタデータ） (2026-03-12T18:33:06Z)
• Flexible Gravitational-Wave Parameter Estimation with Transformers [73.44614054040267]
  本稿では,予測時間における多様な解析設定への適応を可能にする,フレキシブルトランスフォーマーベースのアーキテクチャをトレーニング戦略と組み合わせて導入する。 我々は、Dingo-T1と呼ばれる単一のフレキシブルモデルが、第3のLIGO-Virgo-KAGRA観測ランから48の重力波イベントを解析できることを実証した。
  論文  参考訳（メタデータ） (2025-12-02T17:49:08Z)
• A Physics Informed Machine Learning Framework for Optimal Sensor Placement and Parameter Estimation [0.0]
  本研究では,センサ配置とパラメータ推定を同時に行う,包括的なPINNベースのフレームワークを提案する。 その結果,本手法は直感的あるいはランダムに選択されたセンサ位置から推定したパラメータ値と比較して,常に高精度であることがわかった。
  論文  参考訳（メタデータ） (2025-11-19T15:37:17Z)
• ShapeGen3DCP: A Deep Learning Framework for Layer Shape Prediction in 3D Concrete Printing [0.4666493857924357]
  本研究は3次元コンクリート印刷におけるフィラメント断面形状予測のための深層学習フレームワークであるShapeGen3DCPを紹介する(3DCP)。 このフレームワークは、流体状態(密度、降伏応力、塑性粘度)の材料特性とプロセスパラメータ(ノズル径、ノズル高さ、印刷速度、流れ速度)の両方を入力として、押出層形状を直接予測するニューラルネットワークアーキテクチャに基づいている。 トレーニングデータセットは、3DCPの確立されたパーティクル有限要素(PFEM)モデルを用いて合成され、実験データの不足を克服した。
  論文  参考訳（メタデータ） (2025-10-02T13:30:20Z)
• Optimizing Multi-Modal Trackers via Sensitivity-aware Regularized Tuning [112.12667472919723]
  本稿では,RGBデータに対する事前学習モデルを効果的に適用することにより,マルチモーダルトラッカーの最適化に挑戦する。 既存の微調整パラダイムは過度な自由と過剰な制限の間に振動し、最適の可塑性-安定性のトレードオフをもたらす。 そこで本研究では,本質的なパラメータ感を取り入れて学習プロセスを微妙に洗練する,感性に配慮した規則化チューニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-24T18:42:47Z)
• GraphCompNet: A Position-Aware Model for Predicting and Compensating Shape Deviations in 3D Printing [46.76421610124468]
  本稿では、添加性製造(AM)における形状偏差のモデル化と補償のためのデータ駆動アルゴリズムを提案する。 機械学習(ML)の最近の進歩により補償精度は向上しているが、複雑な地形をまたいで一般化し、位置依存的な変化に適応する問題は残っている。 本稿では,グラフベースニューラルネットワークとGAN(Generative Adversarial Network)にインスパイアされたトレーニングプロセスを組み合わせた計算フレームワークであるGraphCompNetを用いて,粉体層融合プロセスの新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-02-11T20:22:00Z)
• Differentiable Physics-based System Identification for Robotic Manipulation of Elastoplastic Materials [43.99845081513279]
  本研究は, ロボットアームが簡単な操作動作と不完全な3次元点雲を用いて, 弾塑性材料の物理パラメータと環境を推測することのできる, 微分可能物理に基づくシステム同定(DPSI)フレームワークを提案する。 1つの現実世界の相互作用だけで、推定されたパラメータは、目に見えない、長い水平運動によって引き起こされる視覚的および物理的に現実的な振る舞いを正確にシミュレートすることができる。
  論文  参考訳（メタデータ） (2024-11-01T13:04:25Z)
• A Predictive Model Based on Transformer with Statistical Feature Embedding in Manufacturing Sensor Dataset [2.07180164747172]
  本研究では,統計的特徴埋め込みとウィンドウ位置符号化を利用したトランスフォーマーに基づく新しい予測モデルを提案する。 モデルの性能は, 断層検出と仮想気象学の2つの問題で評価され, ベースラインモデルよりも優れた結果を示した。 結果は、様々な製造業におけるモデルの適用性を支持し、プロセス管理と収量を高める可能性を示している。
  論文  参考訳（メタデータ） (2024-07-09T08:59:27Z)
• Visual-tactile sensing for Real-time liquid Volume Estimation in Grasping [58.50342759993186]
  変形性容器内の液体をリアルタイムに推定するためのビジュオ触覚モデルを提案する。 我々は、RGBカメラからの生の視覚入力と、特定の触覚センサーからの触覚手がかりの2つの感覚モードを融合する。 ロボットシステムは、推定モデルに基づいて、リアルタイムで適切に制御され、調整される。
  論文  参考訳（メタデータ） (2022-02-23T13:38:31Z)
• Leveraging distributed contact force measurements for slip detection: a physics-based approach enabled by a data-driven tactile sensor [5.027571997864706]
  本稿では,新たなモデルに基づくスリップ検出パイプラインについて述べる。 分散力を正確に推定する視覚ベースの触覚センサを、6自由度コボットと2フィンガーグリップパーからなる把握装置に統合した。 その結果, 形状, 材料, 重量の異なる物体を操作しながら, スリップを確実に予測できることがわかった。
  論文  参考訳（メタデータ） (2021-09-23T17:12:46Z)

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。