論文の概要: Forward Dynamics of Variable Topology Mechanisms - The Case of Constraint Activation

• arxiv url: http://arxiv.org/abs/2604.19419v1
• Date: Tue, 21 Apr 2026 12:51:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.770641
• Title: Forward Dynamics of Variable Topology Mechanisms - The Case of Constraint Activation
• Title（参考訳）: 可変トポロジー機構のフォワードダイナミクス -制約活性化の場合-
• Authors: Andreas Mueller,
• Abstract要約: 多くの機械系は運動量を変化させる運動的トポロジーの変化を示している。 メカニズムの一部のスティクションと制御されたロックは、トポロジーの変化につながる。 その結果, 平面型3R機構と6DOF産業用マニピュレータの連係について検討した。
• 参考スコア（独自算出の注目度）: 0.09229852843814061
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Many mechanical systems exhibit changes in their kinematic topology altering the mobility. Ideal contact is the best known cause, but also stiction and controlled locking of parts of a mechanism lead to topology changes. The latter is becoming an important issue in human-machine interaction. Anticipating the dynamic behavior of variable topology mechanisms requires solving a non-smooth dynamic problem. The core challenge is a physically meaningful transition condition at the topology switching events. Such a condition is presented in this paper. Two versions are reported, one using projected motion equations in terms of redundant coordinates, and another one using the Voronets equations in terms of minimal coordinates. Their computational properties are discussed. Results are shown for joint locking of a planar 3R mechanisms and a 6DOF industrial manipulator.
• Abstract（参考訳）: 多くの機械系は運動量を変化させる運動的トポロジーの変化を示している。 理想的な接触は最もよく知られた原因であるが、機構の一部の固定と制御されたロックはトポロジーの変化につながる。 後者は人間と機械の相互作用において重要な問題となっている。 可変トポロジー機構の動的挙動を予測するには、非滑らかな動的問題を解く必要がある。 中心となる課題は、トポロジースイッチングイベントにおける物理的に意味のある遷移条件である。 この論文にはそのような条件が記載されている。 2つのバージョンが報告され、1つは冗長座標で射影運動方程式、もう1つは最小座標でヴォロネッツ方程式を用いている。 計算特性について論じる。 その結果, 平面型3R機構と6DOF産業用マニピュレータの連係について検討した。

関連論文リスト

• Thermodynamic Isomorphism of Transformers: A Lagrangian Approach to Attention Dynamics [0.0]
  シャノン-ボルツマンエントロピーの枠組みの中では、ソフトマックス関数はヘルムホルツ自由エネルギー関数を最小化する定常解として現れる。 このマッピングをマクロな観測対象に拡張し、注意エネルギー景観のゆらぎに関連する有効な比熱を定義する。 我々のフレームワークは、注意スケーリング、トレーニングダイナミクス、位置エンコーディングに関する統一的な統計的・機械的な視点を提供する。
  論文  参考訳（メタデータ） (2026-02-09T02:42:36Z)
• Neural operators struggle to learn complex PDEs in pedestrian mobility: Hughes model case study [4.853898836835068]
  ヒューズモデル(Hughes model)は、群衆力学の1次双曲保存法体系である。 ニューラル作用素は、初期状態における不連続性の少ない簡単なシナリオでよく機能する。 彼らは複数の初期不連続性と動的境界条件を持つ複雑なシナリオで苦労する。
  論文  参考訳（メタデータ） (2025-04-25T11:26:41Z)
• Spatial-Temporal Graph Diffusion Policy with Kinematic Modeling for Bimanual Robotic Manipulation [88.83749146867665]
  既存のアプローチは、遠く離れた次のベストなエンドエフェクタのポーズを予測するポリシーを学びます。 すると、運動に対する対応する関節回転角を逆運動学を用いて計算する。 本稿では,Kinematics 拡張空間テンポアル gRaph diffuser を提案する。
  論文  参考訳（メタデータ） (2025-03-13T17:48:35Z)
• Denoising Hamiltonian Network for Physical Reasoning [41.88573341335723]
  Denoising Hamiltonian Network (DHN) は、ハミルトン力学演算子をより柔軟な神経演算子に一般化する新しいフレームワークである。 DHNは非局所的時間的関係を捕捉し、復調機構を通じて数値積分誤差を緩和する。 異なる入力と出力を持つ3つの物理的推論タスクに対して、その有効性と柔軟性を示す。
  論文  参考訳（メタデータ） (2025-03-10T17:57:01Z)
• Physics-Encoded Graph Neural Networks for Deformation Prediction under Contact [87.69278096528156]
  ロボット工学では、触覚相互作用における物体の変形を理解することが不可欠である。 本稿では,物理符号化グラフニューラルネットワーク(GNN)を用いた予測手法を提案する。 コードとデータセットを公開して、ロボットシミュレーションと把握の研究を進めました。
  論文  参考訳（メタデータ） (2024-02-05T19:21:52Z)
• SEGNO: Generalizing Equivariant Graph Neural Networks with Physical Inductive Biases [66.61789780666727]
  等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。 また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。 我々のモデルは最先端のベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-08-25T07:15:58Z)
• Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
  グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。 物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。 本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
  論文  参考訳（メタデータ） (2022-10-13T10:00:30Z)
• 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)
• A Differentiable Contact Model to Extend Lagrangian and Hamiltonian Neural Networks for Modeling Hybrid Dynamics [10.019335078365705]
  本研究では,非摩擦・摩擦・非弾性の接触力学を捉えるための微分可能な接触モデルを提案する。 この枠組みは, 再構成係数と摩擦係数の異なる, 一連の挑戦的な2次元および3次元物理系上で実証する。
  論文  参考訳（メタデータ） (2021-02-12T22:02:41Z)
• 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。