論文の概要: Hybrid Dynamics Modeling for a Flexible 2-DoF Robotic Arm

• arxiv url: http://arxiv.org/abs/2606.02969v1
• Date: Tue, 02 Jun 2026 00:12:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.649584
• Title: Hybrid Dynamics Modeling for a Flexible 2-DoF Robotic Arm
• Title（参考訳）: 柔軟2自由度ロボットアームのハイブリッドダイナミクスモデリング
• Authors: Maciek Popik, Daniel Yang, Mahdis Bisheban,
• Abstract要約: 本稿では、フレキシブルリンク2-DoFロボットアームの力学をモデル化するための3つのアプローチについて検討する。 2つの物理情報モデルが剛体力学(RBD)とガウス混合モデル(GMM)を組み合わせて残差モデル誤差と結合柔軟性を捉える。 キネマティクスに基づく回帰モデルは、純粋にデータ駆動ベースラインとして機能する。
• 参考スコア（独自算出の注目度）: 2.1528661949045533
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This paper examines three approaches for modeling the dynamics of a flexible-link 2-DoF robotic arm to address unmodeled dynamics not captured by rigid-body models. Two physics informed models combine rigid-body dynamics (RBD) formulations with a Gaussian Mixture Model (GMM) to capture residual model errors and linkage flexibility. A kinematics-based regression model serves as a purely data-driven baseline. Using an open-source dataset, torque predictions are first estimated using Ridge regression on kinematic features, while the physicsbased baseline is constructed from published specifications, and ordinary least-squares regression is subsequently used to estimate the same parameter set directly from data. Results show that the physics-based parameters yield the poorest accuracy, while regularized and least-squares estimators align more closely with measured torques. Residual analysis and error metrics highlight the limitations of purely parametric models for flexible-link systems and underscore the value of regularization and data-driven identification, supporting developments of semi-parametric residual learning methods.
• Abstract（参考訳）: 本稿では,柔軟リンク型2-DoFロボットアームの力学をモデル化するための3つのアプローチについて検討する。 2つの物理情報モデルが剛体力学(RBD)とガウス混合モデル(GMM)を組み合わせて残差モデル誤差と結合柔軟性を捉える。 キネマティクスに基づく回帰モデルは、純粋にデータ駆動ベースラインとして機能する。 オープンソースデータセットを用いて、トルク予測はまず、運動学的特徴に基づいてリッジ回帰を用いて推定され、物理ベースのベースラインは公開仕様から構築され、その後、通常最小二乗回帰は、データから直接設定された同じパラメータを推定するために使用される。 その結果、物理に基づくパラメータが最も精度が低いのに対し、正規化および最小二乗推定器は測定されたトルクとより密に一致していることがわかった。 残差分析とエラーメトリクスは、フレキシブルリンクシステムのための純粋パラメトリックモデルの限界を強調し、半パラメトリック残差学習法の開発を支援するために、正規化とデータ駆動型識別の価値を強調している。

関連論文リスト

• Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
  本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。 このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。 多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
  論文  参考訳（メタデータ） (2026-05-28T13:26:53Z)
• Adaptive Learning via Off-Model Training and Importance Sampling for Fully Non-Markovian Optimal Stochastic Control. Complete version [0.0]
  本稿では,制御状態が完全に非マルコフ的であり,未知のモデルパラメータに依存する連続時間制御問題について検討する。 従来の研究で開発された離散スケルトン法に基づいて, 組込み後進動的プログラミング方程式に対するモンテカルロ学習手法を提案する。
  論文  参考訳（メタデータ） (2026-04-14T16:32:46Z)
• 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)
• Data-driven Interpretable Hybrid Robot Dynamics [13.097833648875396]
  本研究では,解析的剛体力学モデルを学習された残留トルク項で補完する,解釈可能なハイブリッドロボット力学について検討する。 非線形力学(SINDy)のシンボリック回帰とスパース同定を用いて、この残差に対するコンパクトな閉形式表現を結合空間データから復元する。 既知の力学を持つ7-DoFフランカ腕のシミュレーションにおいて、これらの解釈可能なモデルは非常に小さな相対誤差で慣性、コリオリ、重力、粘性効果を正確に回復する。
  論文  参考訳（メタデータ） (2025-12-10T13:33:03Z)
• Hybrid Adaptive Modeling using Neural Networks Trained with Nonlinear Dynamics Based Features [5.652228574188242]
  本稿では,非線形動的モデリングから情報を明らかにし,それをデータベースモデルに組み込むことにより,標準手法から逸脱する新しいアプローチを提案する。 摂動法による非線形力学現象を明示的に取り入れることにより、予測能力はブルートフォース数値シミュレーションから得られた知識と比較してより現実的で洞察力が高い。
  論文  参考訳（メタデータ） (2025-01-21T02:38:28Z)
• Generalization capabilities and robustness of hybrid models grounded in physics compared to purely deep learning models [2.8686437689115363]
  本研究では,流体力学応用における物理原理に基づく純粋深層学習モデルとハイブリッドモデルの一般化能力と堅牢性について検討する。 3つの自己回帰モデルを比較した: 適切な分解(POD)と長期記憶(LSTM)層を組み合わせたハイブリッドモデル(POD-DL)、畳み込みLSTM層を組み合わせた畳み込みオートエンコーダ(VAE)とConvLSTM層を組み合わせた変分オートエンコーダ(VAE)。 VAEモデルとConvLSTMモデルが正確に層流を予測する一方で、ハイブリッドPOD-DLモデルは他のモデルよりも優れていた。
  論文  参考訳（メタデータ） (2024-04-27T12:43:02Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Time varying regression with hidden linear dynamics [74.9914602730208]
  線形力学系に従って未知のパラメータが進化することを前提とした時間変化線形回帰モデルを再検討する。 反対に、基礎となる力学が安定である場合、このモデルのパラメータは2つの通常の最小二乗推定と組み合わせることで、データから推定できることが示される。
  論文  参考訳（メタデータ） (2021-12-29T23:37:06Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)

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。