論文の概要: Towards Dynamic Model Identification and Gravity Compensation for the dVRK-Si Patient Side Manipulator
- arxiv url: http://arxiv.org/abs/2603.12099v1
- Date: Thu, 12 Mar 2026 16:06:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-21 18:33:56.727808
- Title: Towards Dynamic Model Identification and Gravity Compensation for the dVRK-Si Patient Side Manipulator
- Title（参考訳）: dVRK-Si患者側マニピュレータの動的モデル同定と重力補償に向けて
- Authors: Haoying Zhou, Hao Yang, Brendan Burkhart, Anton Deguet, Loris Fichera, Gregory S. Fischer, Jie Ying Wu, Peter Kazanzides,
- Abstract要約: 最近導入されたdVRK-Siは再設計された患者側マニピュレータ (PSM) を備えており、より大きな重力負荷を備えている。
本稿では,dVRK-Si PSMのためのキネマティックおよび動的モデリングフレームワークについて述べる。
物理的dVRK-Siの実験では、重力補償が定常的な関節の誤差を68-84%減少させることが示された。
- 参考スコア（独自算出の注目度）: 6.433947788491395
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The da Vinci Research Kit (dVRK) is widely used for research in robot-assisted surgery, but most modeling and control methods target the first-generation dVRK Classic. The recently introduced dVRK-Si, built from da Vinci Si hardware, features a redesigned Patient Side Manipulator (PSM) with substantially larger gravity loading, which can degrade control if unmodeled. This paper presents the first complete kinematic and dynamic modeling framework for the dVRK-Si PSM. We derive a modified DH kinematic model that captures the closed-chain parallelogram mechanism, formulate dynamics via the Euler-Lagrange method, and express inverse dynamics in a linear-in-parameters regressor form. Dynamic parameters are identified from data collected on a periodic excitation trajectory optimized for numerical conditioning and estimated by convex optimization with physical feasibility constraints. Using the identified model, we implement real-time gravity compensation and computed-torque feedforward in the dVRK control stack. Experiments on a physical dVRK-Si show that the gravity compensation reduces steady-state joint errors by 68-84% and decreases end-effector tip drift during static holds from 4.2 mm to 0.7 mm. Computed-torque feedforward further improves transient and position tracking accuracy. For sinusoidal trajectory tracking, computed-torque feedforward reduces position errors by 35% versus gravity-only feedforward and by 40% versus PID-only. The proposed pipeline supports reliable control, high-fidelity simulation, and learning-based automation on the dVRK-Si.
- Abstract（参考訳）: da Vinci Research Kit (dVRK) はロボット補助手術の研究に広く用いられているが、ほとんどのモデリングと制御方法は第1世代のdVRK Classicをターゲットにしている。
最近発表されたdVRK-Siはダ・ヴィンチSi製で、再設計された患者側マニピュレータ (PSM) を特徴としている。
本稿では,dVRK-Si PSMのためのキネマティックおよび動的モデリングフレームワークについて述べる。
我々は, 閉鎖パラレルグラム機構を捕捉し, オイラー・ラグランジュ法による力学を定式化し, 線形パラメータ回帰形式で逆ダイナミクスを表現する改良DHキネマティックモデルを導出する。
数値条件付けに最適化された周期的励起軌道上で収集されたデータから動的パラメータを同定し、物理的実現可能性制約付き凸最適化により推定する。
同定されたモデルを用いて,dVRK制御スタックにリアルタイム重力補償と演算トルクフィードフォワードを実装した。
物理的dVRK-Siの実験では、重力補償は定常的な関節の誤差を68-84%減らし、静的ホールド中の端エフェクター先端のドリフトを4.2mmから0.7mmに減少させる。
Computed-torque フィードフォワードにより、過渡的および位置追跡の精度が向上する。
正弦波軌道追跡では、計算トルクフィードフォワードは位置誤差を35%、重力のみフィードフォワードは40%削減する。
提案するパイプラインは、dVRK-Si上での信頼性制御、高忠実度シミュレーション、学習ベースの自動化をサポートする。
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) - Efficient Real-Time Adaptation of ROMs for Unsteady Flows Using Data Assimilation [7.958594167693376]
パラメータ化還元次数モデル(ROM)の効率的な再学習戦略を提案する。
この戦略は計算時間の一部を必要としながら、完全再訓練に匹敵する精度を得る。
力学系を考えると、アウト・オブ・サンプル予測における誤差の主な原因は、潜在多様体の歪みに起因することが示される。
論文 参考訳（メタデータ） (2026-02-26T16:43:28Z) - Dynamic Symmetric Point Tracking: Tackling Non-ideal Reference in Analog In-memory Training [46.75046795995564]
本稿では,SPキャリブレーションのパルス複雑度と推定誤差の最初の理論的特徴について述べる。
本研究では,モデルトレーニング中にSPを追跡する動的SP推定法を提案し,その収束保証を確立する。
論文 参考訳（メタデータ） (2026-02-24T19:41:34Z) - 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) - Adaptive Visual Autoregressive Acceleration via Dual-Linkage Entropy Analysis [50.48301331112126]
我々は,Visual AutoRegressive モデリングのためのトレーニング不要なトークン削減促進フレームワーク NOVA を提案する。
NOVAは、スケールエントロピー成長の屈折点をオンライン同定することにより、推論中のアクティベーションアクティベーションスケールを適応的に決定する。
実験と解析により、NOVAはシンプルで効果的なトレーニングフリー加速フレームワークとして評価される。
論文 参考訳（メタデータ） (2026-02-01T17:29:42Z) - Feature-based Inversion of 2.5D Controlled Source Electromagnetic Data using Generative Priors [44.090837880190115]
本研究では, 特徴量に基づく2.5D制御源電磁法(mCSEM)データインバージョンについて, 生成前駆体を用いた検討を行った。
導電率分布の事前情報のみを可変オートエンコーダ(VAE)で学習するプラグイン・アンド・プレイ方式を採用する。
数値実験およびフィールド実験により,提案手法は事前情報を効果的に取り入れ,再現精度を向上し,優れた一般化性能を示すことを示した。
論文 参考訳（メタデータ） (2026-01-05T14:18:14Z) - Physics-informed Neural-operator Predictive Control for Drag Reduction in Turbulent Flows [109.99020160824553]
乱流のモデリングと制御のための効率的な深部強化学習フレームワークを提案する。
予測制御(PC)のためのモデルベースRLであり、乱流制御のためのポリシとオブザーバモデルの両方を共同で学習する。
その結果, PINO-PCは, バルク速度レイノルズ数15,000で39.0%の抗力低下を達成し, 従来の流体制御法を32%以上上回った。
論文 参考訳（メタデータ） (2025-10-03T00:18:26Z) - Adaptive Model-Predictive Control of a Soft Continuum Robot Using a Physics-Informed Neural Network Based on Cosserat Rod Theory [2.7114475063296455]
本研究は、ドメイン分割物理インフォームドニューラルネットワーク(DD-PINN)に基づくSCRのためのリアルタイム対応非線形モデル予測制御(MPC)フレームワークを導入する。
シミュレーションでは、動的軌跡の正確な追跡と3mm以下の端点位置誤差によるセットポイント制御が示される。
実世界の実験では、コントローラーも同様の精度と加速を3.55 m/s2まで達成している。
論文 参考訳（メタデータ） (2025-08-18T07:24:36Z) - Time-inversion of spatiotemporal beam dynamics using uncertainty-aware latent evolution reversal [46.348283638884425]
本稿では,フォワードビームダイナミクスの時相を考慮したリバースラテント進化モデル(rLEM)を提案する。
この2段階の自己教師型深層学習フレームワークでは、空調オートエンコーダ(CVAE)を用いて荷電粒子ビームの6次元空間投影を低次元潜在分布に投影する。
次に,Long Short-Term Memory (LSTM) ネットワークを用いて,潜在空間における逆時間力学を自動回帰的に学習する。
論文 参考訳（メタデータ） (2024-08-14T23:09:01Z) - LORTSAR: Low-Rank Transformer for Skeleton-based Action Recognition [4.375744277719009]
LORTSARは2つの主要なトランスフォーマーベースモデル、"Hyperformer"と"STEP-CATFormer"に適用される。
本手法は, 認識精度の劣化や性能向上などにより, モデルパラメータの数を大幅に削減することができる。
これは、SVDと圧縮後の微調整を組み合わせることでモデル効率が向上し、人間の行動認識におけるより持続的で軽量で高性能な技術への道が開けることを確認する。
論文 参考訳（メタデータ） (2024-07-19T20:19:41Z) - OSCAR: Data-Driven Operational Space Control for Adaptive and Robust
Robot Manipulation [50.59541802645156]
オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。
本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。
本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2021-10-02T01:21:38Z)
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。