論文の概要: Characterization of Constraints in Flexible Unknown Environments

• arxiv url: http://arxiv.org/abs/2603.24813v1
• Date: Wed, 25 Mar 2026 20:48:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:47.989421
• Title: Characterization of Constraints in Flexible Unknown Environments
• Title（参考訳）: フレキシブル未知環境における制約のキャラクタリゼーション
• Abstract要約: 本稿では,柔軟に制約された物体を未知の環境下で安全に自動操作するためのオンライン経路計画アルゴリズムを提案する。 タンデムで使用されるこれらの方法は、ロボットが弾性システムを安全に探索し、特徴付けし、操作することを可能にする。
• 参考スコア（独自算出の注目度）: 5.4200377321709565
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents an online path planning algorithm for safe autonomous manipulation of a flexibly constrained object in an unknown environment. Methods for real time identification and characterization of perceived flexible constraints and global stiffness are presented. Used in tandem, these methods allow a robot to simultaneously explore, characterize, and manipulate an elastic system safely. Navigation without a-priori knowledge of the system is achieved using constraint exploration based on local force and position information. The perceived constraint stiffness is considered at multiple poses along an object's (system) trajectory. Using stiffness eigenvector information, global stiffness behavior is characterized and identified using an atlas of simple mechanical constraints, such as hinges and planar constraints. Validation of these algorithms is carried out by simulation and experimentally. The ability to recognize several common simple mechanical constraints (such as a flexible hinge) in real time, and to subsequently identify relevant screw parameters is demonstrated. These results suggest the feasibility of simultaneous global constrain/stiffness exploration and safe manipulation of flexibly constrained objects. We believe that this approach will eventually enable safe cooperative manipulation in applications such as organ retraction and manipulation during surgery
• Abstract（参考訳）: 本稿では,柔軟に制約された物体を未知の環境下で安全に自動操作するためのオンライン経路計画アルゴリズムを提案する。 フレキシブル制約と大域剛性をリアルタイムに同定し, 評価する手法について述べる。 タンデムで使用されるこれらの方法は、ロボットが弾性システムを安全に探索し、特徴付けし、操作することを可能にする。 局所的な力と位置情報に基づく制約探索を用いて,システムに関する知識のないナビゲーションを実現する。 知覚された制約剛性は、対象の(システム)軌道に沿った複数のポーズにおいて考慮される。 剛性固有ベクトル情報を用いて、ヒンジや平面制約といった単純な機械的制約のアトラスを用いて、大域剛性挙動を特徴づけ、同定する。 これらのアルゴリズムの検証はシミュレーションと実験的に行われる。 いくつかの一般的な機械的制約(フレキシブルヒンジなど)をリアルタイムで認識し、その後に関連するスクリューパラメータを識別する能力を示す。 これらの結果から, 同時的大域的制約・剛性探索と柔軟に制約された物体の安全な操作の可能性が示唆された。 臓器切除や手術時の手術などの応用における安全な協調操作を可能にすると我々は信じている。

関連論文リスト

• Active Timepoint Selection for Learning Measure-Valued Trajectories [55.49809248697036]
  スナップショットから連続確率パスを推定することは、単細胞生物学のような領域における根本的な課題である。 スパース測度空間にアクティブな実験を拡張するフレームワークを導入する。 これにより、不確実性を最小限に抑えるために測定時間を反復的に選択する取得ポリシーが得られる。
  論文  参考訳（メタデータ） (2026-05-28T22:22:35Z)
• Provably Safe Trajectory Generation for Manipulators Under Motion and Environmental Uncertainties [26.41382315967256]
  本稿では,安全な最適動作計画の必要性に対処する,リスクバウンドな新しい動き計画フレームワークを提案する。 動作不確実性下でのロボットの状態分布を予測するために,剛性マニピュレータ深部クープマン演算子 (RM-DeKO) モデルを統合する。 次に,並列物理シミュレーションとSOS(Sum-of-squares)プログラミングを併用して,衝突リスクのきめ細かい形式的証明を行う,効率的な階層的検証手法を提案する。
  論文  参考訳（メタデータ） (2026-03-10T01:48:48Z)
• Latent Space Reinforcement Learning for Multi-Robot Exploration [0.0]
  未知環境の自動マッピングシステムを開発した。 必須空間情報を保存しつつ,高忠実度占有率マップを潜在状態ベクトルに圧縮する。 共有データへの依存を変調する重み付きコンセンサス機構を導入する。
  論文  参考訳（メタデータ） (2026-01-03T10:06:40Z)
• Verification of Visual Controllers via Compositional Geometric Transformations [49.81690518952909]
  到達可能な集合の外部近似を生成できる知覚ベースのコントローラのための新しい検証フレームワークを提案する。 提案手法の音質を理論的に保証し,ベンチマーク制御環境における有効性を示す。
  論文  参考訳（メタデータ） (2025-07-06T20:22:58Z)
• An Adaptive Grasping Force Tracking Strategy for Nonlinear and Time-Varying Object Behaviors [7.059232979003729]
  本稿では、一般化剛性の概念を導入し、剛性の定義を非線形時間変動グリップシステムモデルに拡張する。 提案手法は,非理想的対象への適応性を向上しつつ,高精度かつ短い探索時間を実現する。
  論文  参考訳（メタデータ） (2024-12-03T09:55:00Z)
• Learning Controlled Stochastic Differential Equations [61.82896036131116]
  本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。 我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。 当社のメソッドはオープンソースPythonライブラリとして利用可能です。
  論文  参考訳（メタデータ） (2024-11-04T11:09:58Z)
• Resilient Constrained Learning [94.27081585149836]
  本稿では,学習課題を同時に解決しながら,要求に適応する制約付き学習手法を提案する。 我々はこの手法を、その操作を変更することで破壊に適応する生態システムを記述する用語に因んで、レジリエントな制約付き学習と呼ぶ。
  論文  参考訳（メタデータ） (2023-06-04T18:14:18Z)
• Recursively Feasible Probabilistic Safe Online Learning with Control Barrier Functions [60.26921219698514]
  CBFをベースとした安全クリティカルコントローラのモデル不確実性を考慮した再構成を提案する。 次に、結果の安全制御器のポイントワイズ実現可能性条件を示す。 これらの条件を利用して、イベントトリガーによるオンラインデータ収集戦略を考案する。
  論文  参考訳（メタデータ） (2022-08-23T05:02:09Z)
• Automatic Exploration Process Adjustment for Safe Reinforcement Learning with Joint Chance Constraint Satisfaction [2.127049691404299]
  安全強化学習アルゴリズムのための探索過程の自動調整手法を提案する。 提案手法では,探索入力が,その状態とその予測値に応じて毎回使用されるか否かを自動的に選択する。 提案手法は, 予め特定された確率, すなわち, 毎回共同確率制約の満足度と制約の満足度を理論的に保証する。
  論文  参考訳（メタデータ） (2021-03-05T13:30:53Z)
• 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)
• Learning Control Barrier Functions from Expert Demonstrations [69.23675822701357]
  制御障壁関数(CBF)に基づく安全な制御器合成のための学習に基づくアプローチを提案する。 最適化に基づくCBFの学習手法を解析し、基礎となる力学系のリプシッツ仮定の下で証明可能な安全保証を享受する。 私たちの知る限りでは、これらはデータから確実に安全な制御障壁関数を学習する最初の結果です。
  論文  参考訳（メタデータ） (2020-04-07T12:29:06Z)
• Gaining a Sense of Touch. Physical Parameters Estimation using a Soft Gripper and Neural Networks [3.0892724364965005]
  ロボットグリップを用いた物体との直接相互作用の測定における深層学習アルゴリズムを用いた物理パラメータ推定に関する十分な研究はない。 本研究では、剛性係数の回帰をトレーニング可能なシステムを提案し、物理シミュレータ環境を用いて広範な実験を行った。 本システムでは,Yale OpenHandソフトグリップを用いて,指に装着した慣性測定ユニット(IMU)の読み値に基づいて,物体の硬さを確実に推定することができる。
  論文  参考訳（メタデータ） (2020-03-02T11:56:14Z)

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。