論文の概要: Coordinate-Independent Robot Model Identification

• arxiv url: http://arxiv.org/abs/2603.14656v1
• Date: Sun, 15 Mar 2026 23:20:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-21 18:33:56.839689
• Title: Coordinate-Independent Robot Model Identification
• Title（参考訳）: 協調非依存型ロボットモデル同定
• Authors: Yanhao Yang, Ross L. Hatton,
• Abstract要約: 本稿では,逆力学残差を重み付けする座標独立同定法を提案する。 双対計量は、一般化された力の物理的に意味のある正規化を与える。 Inertia-dominated Crazyflie-pendulum system と drag-dominated LandSalp Robot の実験により,識別精度が向上した。
• 参考スコア（独自算出の注目度）: 5.08128537391027
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robot model identification is commonly performed by least-squares regression on inverse dynamics, but existing formulations measure residuals directly in coordinate force space and therefore depend on the chosen coordinate chart, units, and scaling. This paper proposes a coordinate-independent identification method that weights inverse-dynamics residuals by the dual metric induced by the system Riemannian metric. Using the force--velocity vector--covector duality, the dual metric provides a physically meaningful normalization of generalized forces, pulling coordinate residuals back into the ambient mechanical space and eliminating coordinate-induced bias. The resulting objective remains convex through an affine-metric and Schur-complement reformulation, and is compatible with physical-consistency constraints and geometric regularization. Experiments on an inertia-dominated Crazyflie--pendulum system and a drag-dominated LandSalp robot show improved identification accuracy, especially on shape coordinates, in both low-data and high-data settings.
• Abstract（参考訳）: ロボットモデル同定は、逆ダイナミクスの最小二乗回帰によって一般的に行われるが、既存の定式化は、座標力空間内での残留量を直接測定するので、選択された座標チャート、単位、スケーリングに依存する。 本稿では,系のリーマン計量によって誘導される双対計量による逆力学残差を重み付けする座標独立同定法を提案する。 力-速度ベクトル-コベクター双対性を用いて、双対計量は、一般化された力の物理的に意味のある正規化を提供し、座標残基を周囲の機械的空間に引き戻し、座標誘起バイアスを除去する。 結果として得られる目的は、アフィン計量とシュル補足の再構成を通じて凸を保ち、物理的整合性制約や幾何正則化と互換性がある。 Inertia-dominated Crazyflie-pendulum system と drag-dominated LandSalp Robot の実験では、低データおよび高データ設定の両方において、特に形状座標における識別精度が向上した。

関連論文リスト

• Scale redundancy and soft gauge fixing in positively homogeneous neural networks [0.0]
  正に均質な活性化を持つニューラルネットワークは、正確な連続的な再パラメータ化対称性を示す。 不変方向とスケール不均衡方向を分離するゲージ適応座標を導入する。 電場理論におけるゲージ固定に着想を得て、冗長スケール座標のみに作用するソフト軌道選択関数を導入する。
  論文  参考訳（メタデータ） (2026-02-16T13:21:49Z)
• Deep Delta Learning [91.75868893250662]
  本稿では,標準残差接続を一般化した新しいアーキテクチャであるDeep Delta Learning(DDL)を紹介する。 我々はこの演算子のスペクトル解析を行い、ゲート$(mathbfX)$がアイデンティティマッピング、投影、幾何反射のダイナミックな相互作用を可能にすることを示した。 この統合により、ネットワークは階層的な遷移作用素のスペクトルを明示的に制御することができ、複雑な非単調力学のモデリングを可能にする。
  論文  参考訳（メタデータ） (2026-01-01T18:11:38Z)
• Learning vertical coordinates via automatic differentiation of a dynamical core [39.817742239477255]
  本稿では,パラメトリックな垂直座標系を動的コア内の学習可能なコンポーネントとして定義する枠組みを提案する。 アラカワCグリッド上の2次元非静水性方程式に対するエンドツーエンドの微分可能な数値解法を開発した。 これらの学習座標は、非線形統計ベンチマークにおいて平均2乗誤差を1.4倍から2倍に減少させることを示した。
  論文  参考訳（メタデータ） (2025-12-19T18:31:07Z)
• Machine learning in and out of equilibrium [58.88325379746631]
  我々の研究は、統計物理学から適応したフォッカー・プランク法を用いて、これらの平行線を探索する。 我々は特に、従来のSGDでは平衡が切れている長期的限界におけるシステムの定常状態に焦点を当てる。 本稿では,ミニバッチの置き換えを伴わない新しいランゲヴィンダイナミクス(SGLD)を提案する。
  論文  参考訳（メタデータ） (2023-06-06T09:12:49Z)
• Autoencoders for discovering manifold dimension and coordinates in data from complex dynamical systems [0.0]
  Autoencoder frameworkは暗黙の正則化と内部線形層と$L$正則化(重崩壊)を組み合わせる このフレームワークは、状態空間モデリングや予測の応用のために自然に拡張できることを示す。
  論文  参考訳（メタデータ） (2023-05-01T21:14:47Z)
• Learning Cross-view Geo-localization Embeddings via Dynamic Weighted Decorrelation Regularization [52.493240055559916]
  クロスビュージオローカライゼーションは、ドローンプラットフォームと衛星プラットフォームという2つのプラットフォームから撮影された同じ位置の画像を見つけることを目的としている。 既存の手法は、通常、特徴空間内の他のものとの埋め込み距離を最適化することに焦点を当てる。 本稿では、低冗長性も重要であり、モデルがより多様なパターンをマイニングする動機となっていると論じる。
  論文  参考訳（メタデータ） (2022-11-10T02:13:10Z)
• Model Reduction for Nonlinear Systems by Balanced Truncation of State and Gradient Covariance [0.0]
  モデル還元のための低次元座標系は、系の感度と軌道に沿った状態の分散に関する随伴情報とをバランスさせる。 これらの手法を, 単純かつ困難な3次元システムと, 状態変数105ドルの非線形軸対称噴流シミュレーションで実証した。
  論文  参考訳（メタデータ） (2022-07-28T21:45:08Z)
• Equivariant Graph Mechanics Networks with Constraints [83.38709956935095]
  本稿では,グラフ力学ネットワーク(GMN)を提案する。 GMNは、一般化された座標により、構造体の前方運動学情報(位置と速度)を表す。 大規模な実験は、予測精度、制約満足度、データ効率の観点から、最先端のGNNと比較してGMNの利点を支持する。
  論文  参考訳（メタデータ） (2022-03-12T14:22:14Z)
• Model identification and local linear convergence of coordinate descent [74.87531444344381]
  循環座標降下は、幅広い種類の関数に対して有限時間でモデル同定を達成することを示す。 また、座標降下に対する局所収束速度を明示的に証明する。
  論文  参考訳（メタデータ） (2020-10-22T16:03:19Z)
• Euclideanizing Flows: Diffeomorphic Reduction for Learning Stable Dynamical Systems [74.80320120264459]
  本研究では、限られた数の人間の実演からそのような動きを学ぶためのアプローチを提案する。 複素運動は安定な力学系のロールアウトとして符号化される。 このアプローチの有効性は、確立されたベンチマーク上での検証と、現実世界のロボットシステム上で収集されたデモによって実証される。
  論文  参考訳（メタデータ） (2020-05-27T03:51:57Z)

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。