論文の概要: Frequency-aware Decomposition Learning for Sensorless Wrench Forecasting on a Vibration-rich Hydraulic Manipulator
- arxiv url: http://arxiv.org/abs/2604.12905v1
- Date: Tue, 14 Apr 2026 15:54:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-15 19:11:32.544682
- Title: Frequency-aware Decomposition Learning for Sensorless Wrench Forecasting on a Vibration-rich Hydraulic Manipulator
- Title（参考訳）: 振動リッチ油圧マニピュレータを用いたセンサレスレンチ予測のための周波数認識分解学習
- Authors: Hyeonbeen Lee, Min-Jae Jung, Tae-Kyeong Yeu, Jong-Boo Han, Daegil Park, Jin-Gyun Kim,
- Abstract要約: 主観的歴史からの振動リッチレンチの短期予測のための周波数対応分解ネットワーク(FDN)を提案する。
FDNは、非対称決定性および確率的ヘッドによるスペクトルレンチを予測し、高周波数残差を学習条件分布としてモデル化する。
我々は、大規模なオープンソースロボットデータセット上でFDNを事前訓練し、学習したプロプリセプション・トゥ・レンチ表現を下流に転送する。
- 参考スコア（独自算出の注目度）: 0.41562334038629606
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Force and torque (F/T) sensing is critical for robot-environment interaction, but physical F/T sensors impose constraints in size, cost, and fragility. To mitigate this, recent studies have estimated force/wrench sensorlessly from robot internal states. While existing methods generally target relatively slow interactions, tasks involving rapid interactions, such as grinding, can induce task-critical high-frequency vibrations, and estimation in such robotic settings remains underexplored. To address this gap, we propose a Frequency-aware Decomposition Network (FDN) for short-term forecasting of vibration-rich wrench from proprioceptive history. FDN predicts spectrally decomposed wrench with asymmetric deterministic and probabilistic heads, modeling the high-frequency residual as a learned conditional distribution. It further incorporates frequency-awareness to adaptively enhance input spectra with learned filtering and impose a frequency-band prior on the outputs. We pretrain FDN on a large-scale open-source robot dataset and transfer the learned proprioception-to-wrench representation to the downstream. On real-world grinding excavation data from a 6-DoF hydraulic manipulator and under a delayed estimation setting, FDN outperforms baseline estimators and forecasters in the high-frequency band and remains competitive in the low-frequency band. Transfer learning provides additional gains, suggesting the potential of large-scale pretraining and transfer learning for robotic wrench estimation. Code and data will be made available upon acceptance.
- Abstract（参考訳）: 力覚とトルク覚(F/T)はロボットと環境の相互作用において重要であるが、物理的なF/Tセンサーはサイズ、コスト、柔軟性の制約を課している。
これを軽減するために、最近の研究では、ロボットの内部状態から無感覚に力/レンチを推定している。
既存の手法は一般的に比較的遅い相互作用をターゲットとしているが、研削などの素早い相互作用を含むタスクはタスククリティカルな高周波振動を誘発し、そのようなロボット環境における推定は未解明のままである。
このギャップに対処するため,周波数対応分解ネットワーク (FDN) を提案し, 主観的歴史から振動リッチレンチの短期予測を行う。
FDNは非対称決定的および確率的頭部を持つスペクトル分解レンチを予測し、高周波数残差を学習条件分布としてモデル化する。
さらに、周波数認識を取り入れて、学習したフィルタリングで入力スペクトルを適応的に拡張し、出力に先立って周波数帯域を課す。
我々は、大規模なオープンソースロボットデータセット上でFDNを事前訓練し、学習したプロプリセプション・トゥ・レンチ表現を下流に転送する。
6-DoF油圧マニピュレータによる実世界の掘削データと遅延推定設定では、FDNは高周波帯域においてベースライン推定器や予測器より優れ、低周波帯域では競争力を維持している。
移動学習は、ロボットレンチ推定のための大規模事前学習と移動学習の可能性を示す。
コードとデータは受け入れ次第利用可能になる。
関連論文リスト
- Self-Supervised Learning via Flow-Guided Neural Operator on Time-Series Data [57.85958428020496]
Flow-Guided Neural Operator (FGNO)は、演算子学習とフローマッチングを組み合わせた新しいフレームワークである。
FGNOは、短時間フーリエ変換を用いて関数空間のマッピングを学習し、異なる時間分解能を統一する。
推論中にノイズのある入力を使用する以前の生成SSL法とは異なり、ノイズのある表現を学習しながら、クリーンな入力を用いて表現抽出を行う。
論文 参考訳（メタデータ） (2026-02-12T18:54:57Z) - Physics-Guided Tiny-Mamba Transformer for Reliability-Aware Early Fault Warning [2.491980790083337]
オンラインコンディション監視に適したコンパクトな三分岐エンコーダであるPG-TMT(Physical-Guided Tiny-Mamba Transformer)を提案する。
奥行き分離可能な畳み込みステムは、マイクロトランジェント、Tiny-Mamba状態空間分岐モデル、および軽量ローカルトランスフォーマーがチャネル間共鳴を符号化する。
PG-TMTは、信頼性中心の予後と健康管理のための早期警告を提供する。
論文 参考訳（メタデータ） (2026-01-29T05:46:12Z) - SONAR: Spectral-Contrastive Audio Residuals for Generalizable Deepfake Detection [6.042897432654865]
Spectral-cONtrastive Audio Residuals (AR)は、ディープフェイクオーディオ検出器のための周波数誘導フレームワークである。
ARは音声信号を補完表現に切り離す。
ASVspoof 2021およびin-the-wildベンチマークで評価した。
論文 参考訳（メタデータ） (2025-11-26T12:16:38Z) - A Novel Framework for Significant Wave Height Prediction based on Adaptive Feature Extraction Time-Frequency Network [5.7146098061920885]
適応的特徴抽出時間周波数ネットワーク(AFE-TFNet)を提案する。
エンコーダとデコーダのローリングフレームワークであり、機能抽出と機能融合の2段階がある。
その結果, AFE-TFNet は予測精度でベンチマーク手法を著しく上回っていることがわかった。
論文 参考訳（メタデータ） (2025-05-10T16:25:31Z) - PCA-Featured Transformer for Jamming Detection in 5G UAV Networks [0.5999777817331317]
無人航空機(UAV)は、ネットワーク機能を損なう可能性のある攻撃を妨害することによる重大なセキュリティリスクに直面している。
従来の検出方法は、動作を動的に変更するAI駆動のジャミングに直面すると、しばしば不足する。
無線セキュリティ向上のための特徴表現を洗練するための新しいU字型トランスフォーマーアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-12-19T16:13:04Z) - Frequency-Aware Deepfake Detection: Improving Generalizability through
Frequency Space Learning [81.98675881423131]
この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。
既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。
本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
論文 参考訳（メタデータ） (2024-03-12T01:28:00Z) - Forecasting subcritical cylinder wakes with Fourier Neural Operators [58.68996255635669]
実験によって測定された速度場の時間的変化を予測するために,最先端の演算子学習手法を適用した。
その結果、FNOはレイノルズ数の範囲で実験速度場の進化を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2023-01-19T20:04:36Z) - Incremental Spatial and Spectral Learning of Neural Operators for
Solving Large-Scale PDEs [86.35471039808023]
Incrmental Fourier Neural Operator (iFNO)を導入し、モデルが使用する周波数モードの数を徐々に増加させる。
iFNOは、各種データセット間の一般化性能を維持したり改善したりしながら、トレーニング時間を短縮する。
提案手法は,既存のフーリエニューラル演算子に比べて20%少ない周波数モードを用いて,10%低いテスト誤差を示すとともに,30%高速なトレーニングを実現する。
論文 参考訳（メタデータ） (2022-11-28T09:57:15Z) - Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。
この研究は、単一変換による周波数領域学習のための青写真を導入している。
論文 参考訳（メタデータ） (2022-11-26T01:56:05Z) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳（メタデータ） (2022-09-29T04:06:00Z)
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。