論文の概要: Neural Operators for Design-Space Surrogate Modeling of Tendon-Actuated Continuum Robots

• arxiv url: http://arxiv.org/abs/2605.19104v1
• Date: Mon, 18 May 2026 20:44:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:08.982316
• Title: Neural Operators for Design-Space Surrogate Modeling of Tendon-Actuated Continuum Robots
• Title（参考訳）: 腱駆動型連続ロボットの設計空間サロゲートモデリングのためのニューラル演算子
• Authors: Branden Frieden, James M. Ferguson, Alan Kuntz, Varun Shankar,
• Abstract要約: 本稿では,操作者学習問題として,腱駆動型連続体ロボットの代理モデルについて定式化する。 この定式化により、単一の訓練されたモデルが、幅広い種類のロボット設計にまたがって一般化することができる。
• 参考スコア（独自算出の注目度）: 4.24218428642772
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continuum robots enable dexterous manipulation in constrained environments, but require accurate and efficient models for real-time manipulation and control. Traditional physics-based models can be computationally expensive and may suffer from inaccuracies due to unmodeled effects, while current learning-based methods often generalize poorly beyond the specific robot on which they are trained. We present a formulation of surrogate modeling for tendon-driven continuum robots as an operator learning problem that maps robot design parameters and tendon actuation inputs to resulting configurations. This formulation enables a single trained model to generalize across a large class of robot designs. We develop four novel neural operator architectures--two based on Deep Operator Networks (DeepONets) and two based on Fourier Neural Operators (FNOs)--and train them on simulation data to predict robot configurations. All architectures achieve good accuracy while allowing for fast and accurate generalization across designs. Our results demonstrate that operator learning provides an effective and generalizable surrogate for continuum robot mechanics in the design space, enabling fast modeling for control, planning, and design optimization in surgical and industrial applications.
• Abstract（参考訳）: 連続ロボットは制約された環境における厳密な操作を可能にするが、リアルタイムの操作と制御には正確で効率的なモデルを必要とする。 従来の物理ベースのモデルは計算コストがかかり、非モデル効果による不正確さに悩まされることもあるが、現在の学習ベースの手法は訓練対象の特定のロボットをはるかに超越して一般化されることが多い。 本稿では,ロボット設計パラメータと腱作動入力を結果として生じる構成にマッピングする演算子学習問題として,腱駆動型連続ロボットの代理モデリングの定式化を提案する。 この定式化により、単一の訓練されたモデルが、幅広い種類のロボット設計にまたがって一般化することができる。 我々は,Deep Operator Networks (DeepONets) とFunier Neural Operators (FNOs) の4つの新しいニューラルネットワークアーキテクチャを開発し,それらをシミュレーションデータでトレーニングし,ロボットの構成を予測する。 すべてのアーキテクチャは、設計をまたいだ高速かつ正確な一般化を可能にしながら、良好な精度を達成する。 以上の結果から,操作者学習はデザイン空間における連続ロボット力学の効果的かつ一般化可能なサロゲートであり,外科的・工業的応用における制御・計画・設計最適化の高速なモデリングを可能にすることが示唆された。

関連論文リスト

• A Design Co-Pilot for Task-Tailored Manipulators [21.513483509321805]
  本研究は,特定の環境に適したロボット形態を自動設計し,最適化するアプローチを提案する。 完全に微分可能なフレームワークは、設計されたロボットと逆キネマティクスソリューションの勾配に基づく微調整を実現する。 数値実験により, 粗い環境をナビゲートできるロボットや, 特定の作業空間にまたがって良好に動作し, ハードウェアの制約に適応できるマニピュレータが発見された。
  論文  参考訳（メタデータ） (2025-09-16T13:34:30Z)
• Hysteresis-Aware Neural Network Modeling and Whole-Body Reinforcement Learning Control of Soft Robots [14.02771001060961]
  外科的応用を目的としたソフトロボットシステムを提案する。 本稿では,ソフトロボットの全身動作を正確に把握し,予測する全身ニューラルネットワークモデルを提案する。 本手法はファントムを用いた手術実験において高い性能を示した。
  論文  参考訳（メタデータ） (2025-04-18T09:34:56Z)
• General-purpose foundation models for increased autonomy in robot-assisted surgery [4.155479231940454]
  本稿では,ロボット支援手術における自律性向上を目指す。 手術ロボットは汎用モデルの利点を享受し,ロボット支援手術における自律性向上に向けた3つの指針を提供する。
  論文  参考訳（メタデータ） (2024-01-01T06:15:16Z)
• RoboGen: Towards Unleashing Infinite Data for Automated Robot Learning via Generative Simulation [68.70755196744533]
  RoboGenはジェネレーティブなロボットエージェントで、ジェネレーティブなシミュレーションを通じて、さまざまなロボットのスキルを自動的に学習する。 我々の研究は、大規模モデルに埋め込まれた広範囲で多目的な知識を抽出し、それらをロボット工学の分野に移す試みである。
  論文  参考訳（メタデータ） (2023-11-02T17:59:21Z)
• Robot Learning with Sensorimotor Pre-training [98.7755895548928]
  ロボット工学のための自己教師型感覚運動器事前学習手法を提案する。 我々のモデルはRTTと呼ばれ、センサモレータトークンのシーケンスで動作するトランスフォーマーである。 感覚運動の事前学習は、ゼロからトレーニングを一貫して上回り、優れたスケーリング特性を持ち、さまざまなタスク、環境、ロボット間での移動を可能にしている。
  論文  参考訳（メタデータ） (2023-06-16T17:58:10Z)
• RT-1: Robotics Transformer for Real-World Control at Scale [98.09428483862165]
  我々は,有望なスケーラブルなモデル特性を示す,ロボティクストランスフォーマーと呼ばれるモデルクラスを提示する。 実世界の課題を遂行する実ロボットの大規模データ収集に基づいて,様々なモデルクラスと,データサイズ,モデルサイズ,データの多様性の関数として一般化する能力について検証した。
  論文  参考訳（メタデータ） (2022-12-13T18:55:15Z)
• PACT: Perception-Action Causal Transformer for Autoregressive Robotics Pre-Training [25.50131893785007]
  本研究は,ロボットにおける複数のタスクの出発点として機能する汎用表現を事前学習するためのパラダイムを導入する。 本稿では,ロボットデータから直接表現を自己管理的に構築することを目的として,PACT(Perception-Action Causal Transformer)を提案する。 より大規模な事前学習モデル上に小さなタスク特化ネットワークを微調整すると、同時に1つのモデルをスクラッチからトレーニングするのに比べ、性能が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2022-09-22T16:20:17Z)
• 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)

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。