論文の概要: Few-Shot Physics-Informed Neural Network for Shape Reconstruction of Concentric-Tube Robots

• arxiv url: http://arxiv.org/abs/2605.12790v1
• Date: Tue, 12 May 2026 22:07:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.711453
• Title: Few-Shot Physics-Informed Neural Network for Shape Reconstruction of Concentric-Tube Robots
• Title（参考訳）: 同心チューブロボットの形状再構成のためのFew-Shot Physics-Informed Neural Network
• Authors: Navid Feizi, Filipe C. Pedrosa, Rajni V. Patel, Jagadeesan Jayender,
• Abstract要約: 既設管を3本有する6-DoF CTRのキネマティックモデリングのための物理インフォームドニューラルネットワーク(PINN)を提案する。 PINNは、形状、ねじれ角、ねじれひずみ、曲げモーメント、方向の完全な状態推定を可能にする。 結果として得られるモデルは、計算的に効率的で堅牢であり、リアルタイム制御アプリケーションにも適している。
• 参考スコア（独自算出の注目度）: 4.539331900295919
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Modeling concentric tube robots (CTRs) involves complex nonlinear continuum mechanics, and despite recent progress, physics-based models often lack an accurate representation of the experimental setups. To overcome these limitations, deep neural network-based models have been explored as alternatives with superior accuracy; however, they often overlook known mechanics, require large training datasets, and typically discard shape estimation of the robot. We present a physics-informed neural network (PINN) for kinematic modeling of a 6-DoF CTR with three pre-curved tubes that embeds the Cosserat rod differential equations and learns from few-shot observational data, balancing physics priors with data-driven fitting. PINN enables full-state estimation of shape, twist angle, torsional strain, bending moment, and orientation. Benchmark tests show a mean shape error below 1% of the robot length and accurately recovered other kinematic states, outperforming a purely physics-based Cosserat rod model baseline while using a minimal training set. The resulting model is also computationally efficient and robust, making it well-suited for real-time control applications.
• Abstract（参考訳）: 同心円管ロボット(CTR)のモデリングには複雑な非線形連続体力学が含まれており、近年の進歩にもかかわらず、物理に基づくモデルは実験装置の正確な表現を欠いていることが多い。 これらの制限を克服するために、ディープニューラルネットワークベースのモデルは、優れた精度で代替手段として研究されてきたが、既知の力学を見落とし、大規模なトレーニングデータセットを必要とし、通常はロボットの形状推定を廃止する。 本稿では,コッサート棒微分方程式を埋め込み,数ショットの観測データから学習し,物理先行とデータ駆動フィッティングのバランスをとる6-DoF CTRのキネマティックモデリングのための物理情報ニューラルネットワーク(PINN)を提案する。 PINNは、形状、ねじれ角、ねじれひずみ、曲げモーメント、方向の完全な状態推定を可能にする。 ベンチマークテストでは、ロボットの長さの1%以下の平均形状誤差を示し、他の運動状態を正確に回復し、最小限のトレーニングセットを使用しながら、純粋に物理学ベースのCosseratロッドモデルベースラインを上回った。 結果として得られるモデルは計算的に効率的で堅牢であり、リアルタイム制御アプリケーションにも適している。

関連論文リスト

• Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
  Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。 本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。 このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
  論文  参考訳（メタデータ） (2026-04-10T17:12:07Z)
• Generalizable and Fast Surrogates: Model Predictive Control of Articulated Soft Robots using Physics-Informed Neural Networks [4.146337610044239]
  本研究では,データ効率を重視した音声ソフトロボット(ASR)のための物理インフォームドニューラルネットワーク(PINN)を提案する。 リカレントニューラルネットワークとは対照的に、PINNは高い一般化性を提供する。 精度の高いFPモデルの予測速度は、PINNで最大467倍、わずかに精度が低下する。
  論文  参考訳（メタデータ） (2025-02-04T01:16:33Z)
• Physics-Informed Machine Learning for Seismic Response Prediction OF Nonlinear Steel Moment Resisting Frame Structures [6.483318568088176]
  PiML法は、非線形構造の地震応答をモデル化するために、科学的原理と物理法則をディープニューラルネットワークに統合する。 運動方程式を操作することは、システムの非線形性を学習し、物理的に解釈可能な結果の中で解を閉じ込めるのに役立つ。 結果、既存の物理誘導LSTMモデルよりも複雑なデータを処理し、他の非物理データ駆動ネットワークより優れている。
  論文  参考訳（メタデータ） (2024-02-28T02:16:03Z)
• Physics-Informed Neural Networks with Hard Linear Equality Constraints [9.101849365688905]
  本研究は,線形等式制約を厳格に保証する物理インフォームドニューラルネットワークKKT-hPINNを提案する。 溶融タンク炉ユニット, 抽出蒸留サブシステム, 化学プラントのアスペンモデル実験により, このモデルが予測精度をさらに高めることを示した。
  論文  参考訳（メタデータ） (2024-02-11T17:40:26Z)
• Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
  我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。 学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
  論文  参考訳（メタデータ） (2022-09-07T15:15:12Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Real-time Neural-MPC: Deep Learning Model Predictive Control for Quadrotors and Agile Robotic Platforms [59.03426963238452]
  モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。 ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
  論文  参考訳（メタデータ） (2022-03-15T09:38:15Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

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。