論文の概要: Modeling, Control and Self-sensing of Dielectric Elastomer Soft Actuators: A Review
- arxiv url: http://arxiv.org/abs/2604.17199v1
- Date: Sun, 19 Apr 2026 02:01:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-21 21:52:52.386765
- Title: Modeling, Control and Self-sensing of Dielectric Elastomer Soft Actuators: A Review
- Title（参考訳）: 誘電体エラストマーソフトアクチュエータのモデリング・制御・自己センシング
- Authors: Y. Zhao, G. Meng,
- Abstract要約: 誘電体エラストマーアクチュエータ(DEAs)は、特にソフトロボティクスの分野で広く注目を集めている。
DEAは非線形弾性、固有粘弾性クリープ、振動ダイナミクスに悩まされている。
フィードバック制御,フィードバック制御,フィードフォワードフィードバック制御,適応フィードフォワード制御に分類される。
- 参考スコア（独自算出の注目度）: 0.013714053458441644
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dielectric elastomer actuators (DEAs) have garnered extensive attention especially in soft robotic applications over the past few decades owing to the advantages of lightweight, large strain, fast response and high energy density. However, because the DEAs suffer from nonlinear elasticity, inherent viscoelastic creep, hysteresis and vibrational dynamics, the modeling, control and self-sensing of DEAs are challenging, thereby hindering the practical applications of DEAs. In order to address these challenges, numerous studies have been conducted. In this review, various physics-based modeling methods and phenomenological modeling methods for predicting the electromechanical response of DEAs are presented and discussed. Different control methods for DEAs are reviewed, which are classified into open-loop feedforward control, feedback control, feedforward-feedback control and adaptive feedforward control. Physics-based self-sensing methods and data-driven self-sensing methods for reconstructing the DEA displacement without the need for additional sensors are discussed. Finally, the existing problems and new opportunities for the further studies are summarized.
- Abstract（参考訳）: 誘電体エラストマーアクチュエータ(DEAs)は、特に軽量で大きなひずみ、高速応答、高エネルギー密度の利点により、過去数十年にわたりソフトロボティクスの応用において大きな注目を集めてきた。
しかし、DEAは非線形弾性、固有粘弾性クリープ、ヒステリシス、振動ダイナミクスに悩まされているため、DEAのモデリング、制御、自己センシングは困難であり、DEAの実用化を妨げている。
これらの課題に対処するため、数多くの研究がなされている。
本稿では,DEAの電気機械的応答を予測する物理モデル法と現象モデリング法について論じる。
フィードバック制御,フィードバック制御,フィードフォワードフィードバック制御,適応フィードフォワード制御に分類される。
追加センサを必要とせずにDEA変位を復元するための物理に基づく自己センシング法とデータ駆動自己センシング法について論じる。
最後に、既存の問題と今後の研究の新たな機会を要約する。
関連論文リスト
- Nonlinear Spectral Modeling and Control of Soft-Robotic Muscles from Data [6.770726279203919]
水圧静電アクチュエータ(HASEL)は高性能だが、記憶効果と筋骨格効果を示す。
本稿では、スペクトル部分多様体(SSM)理論に基づくデータ駆動還元制御戦略を提案する。
対角的HASELクラッチ接合部をリアルタイムに制御するためのSSMモデルを構築した。
論文 参考訳（メタデータ） (2026-01-06T18:43:49Z) - Fractional-order Modeling for Nonlinear Soft Actuators via Particle Swarm Optimization [49.34452620841728]
本稿では, ソフト材料の動的挙動を捉えるために, 分数次微分方程式(FODE)に基づく革新的なモデリング手法を提案する。
提案手法は,ソフトアクチュエータに固有の複雑な変形現象を効果的に表現する。
論文 参考訳（メタデータ） (2025-12-20T04:46:25Z) - Physics-Informed Large Language Models for HVAC Anomaly Detection with Autonomous Rule Generation [2.5352713493505785]
暖房、換気、エアコンは、世界の建築エネルギー利用のかなりの割合を占めている。
我々は、進化ループ内で動作し、異常検出ルールを自動生成、評価、精査する物理インフォームドLLMフレームワークであるPILLMを提案する。
提案手法では, 熱力学的・制御論的制約を埋め込んだ物理インフォームド・リフレクションとクロスオーバー演算子を導入し, 適応的・物理的基礎的ルールを実現する。
論文 参考訳（メタデータ） (2025-10-20T04:43:36Z) - From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。
メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
論文 参考訳（メタデータ） (2025-09-25T14:15:43Z) - Physics-Informed Learning of Proprietary Inverter Models for Grid Dynamic Studies [0.5999777817331317]
インバータの固有動力学をエミュレートする物理インフォームドニューラル常微分方程式に基づくフレームワークを開発した。
提案手法はグリッドフォーミングインバータ (GFM) のケーススタディを用いて検証した。
論文 参考訳（メタデータ） (2025-07-21T05:48:31Z) - Exploring and Exploiting the Inherent Efficiency within Large Reasoning Models for Self-Guided Efficiency Enhancement [101.77467538102924]
大きな推論モデル(LRM)は、効率を阻害し、推論コストを膨らませる過剰な考えを示す。
LRM効率を向上させるための2つの軽量手法を提案する。
まず,学習不要なアクティベーションステアリング技術であるEfficic Steeringを導入する。
第2に,タスクの正確さと簡潔さを動的にバランスする強化学習フレームワークである自己回帰効率RLを開発する。
論文 参考訳（メタデータ） (2025-06-18T17:18:12Z) - Weight Spectra Induced Efficient Model Adaptation [54.8615621415845]
微調整された大規模な基礎モデルは、計算コストを禁ずる。
微調整が最上位特異値を大きく増幅する一方で,残りはほとんど無傷であることを示す。
本稿では,トップ特異方向の学習可能な再スケーリングを利用する新しい手法を提案する。
論文 参考訳（メタデータ） (2025-05-29T05:03:29Z) - Analog In-memory Training on General Non-ideal Resistive Elements: The Impact of Response Functions [46.75046795995564]
AIMCハードウェアでは、トレーニング可能な重量は抵抗素子のコンダクタンスで表され、連続する電気パルスを用いて更新される。
コンダクタンスはパルスごとに一定変化するが、実際には非対称および非線形応答関数によってスケールされ、非理想的トレーニングのダイナミクスをもたらす。
本稿では,AIMCハードウェアにおける非理想応答関数を用いた勾配学習の理論的基礎を提供する。
論文 参考訳（メタデータ） (2025-02-10T09:56:15Z) - Enhancing Dynamical System Modeling through Interpretable Machine
Learning Augmentations: A Case Study in Cathodic Electrophoretic Deposition [0.8796261172196743]
本稿では,物理システムのモデリング向上を目的とした包括的データ駆動フレームワークを提案する。
実証的応用として,電顕的電気泳動沈着(EPD)のモデル化を追求する。
論文 参考訳（メタデータ） (2024-01-16T14:58:21Z) - Exploring Model Transferability through the Lens of Potential Energy [78.60851825944212]
トランスファーラーニングは、事前訓練されたディープラーニングモデルが広く利用可能であることから、コンピュータビジョンタスクにおいて重要になっている。
既存のトレーニング済みモデルの転送可能性の測定方法は、符号化された静的特徴とタスクラベルの間の統計的相関に依存する。
我々はこれらの課題に対処するために,PEDという物理に着想を得たアプローチを提案する。
論文 参考訳（メタデータ） (2023-08-29T07:15:57Z) - Learning physics-informed simulation models for soft robotic
manipulation: A case study with dielectric elastomer actuators [21.349079159359746]
柔らかいアクチュエータは、緩やかな握りや器用な動きといったロボット作業に対して安全かつ適応的なアプローチを提供する。
このようなシステムを制御するための正確なモデルを作成することは、変形可能な物質の複雑な物理のために困難である。
本稿では,微分可能シミュレータと有限要素法の利点を組み合わせたフレームワークを提案する。
論文 参考訳（メタデータ） (2022-02-25T21:15:05Z)
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。