論文の概要: An Opticalmechanics Framework for Dynamic Estimation of Multibody Systems

• arxiv url: http://arxiv.org/abs/2606.09383v1
• Date: Mon, 08 Jun 2026 11:59:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.958264
• Title: An Opticalmechanics Framework for Dynamic Estimation of Multibody Systems
• Title（参考訳）: マルチボディシステムの動的推定のための光学力学フレームワーク
• Authors: Banglei Guan, Xuanyu Bai, Qingquan Chen, Zibin Liu, Dongcai Tan, Zhenbao Yu, Yang Shang, Qifeng Yu,
• Abstract要約: 本研究では,マルチボディシステムのための光学キネマティック・ダイナミック統合推定フレームワークを提案する。 システム力学を記述するために制約付き多体モデルを構築し, 動的推定のための非接触入力として画像計測キネマティック量を用いる。
• 参考スコア（独自算出の注目度）: 15.213803098614726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conventional dynamics analysis of the human body is often constrained by the need for contact force and torque sensors and controlled laboratory environments. To address this issue, this study proposes an opticalmechanics kinematic-dynamic integrated estimation framework for multibody systems. Specifically, a constrained multibody model is established to describe the system dynamics, while image-measured kinematic quantities are used as non contact inputs for dynamic estimation. The unknown joint torque is then identified through a genetic-algorithm based optimization by minimizing the discrepancy between model-predicted and image-measured kinematic quan tities. Experimental validation on an air-bearing platform showed that the wrist joint torque estimated from image data achieved a mean absolute error of 0.46 Nm compared with sensor measurements. In the forward prediction test, the model-predicted angular velocity achieved a mean absolute error of 0.006 rad/s relative to the image-measured results. This study demonstrates the potential of combining image measurement and mechanical modeling for non-contact dynamic estimation in scenarios where direct force and torque measurement is difficult.
• Abstract（参考訳）: 人体の従来の力学解析は、しばしば接触力とトルクセンサーと制御された実験室環境の必要性によって制約される。 そこで本研究では,マルチボディシステムのための光学力学・力学統合推定フレームワークを提案する。 具体的には、システムダイナミクスを記述するために制約付き多体モデルを構築し、動的推定のための非接触入力として画像計測キネマティック量を用いる。 その後、未知の関節トルクを遺伝的アルゴリズムに基づく最適化により同定し、モデル予測と画像計測されたキネマティック四量体との差を最小限に抑える。 画像データから推定した手首関節のトルクは, センサ測定と比較して平均絶対誤差0.46Nmを達成した。 前向き予測試験では, モデル予測角速度は, 画像計測結果と比較して0.006 rad/sの平均絶対誤差を達成した。 本研究は, 直接力とトルク測定が困難なシナリオにおいて, 非接触動的推定のための画像計測とメカニカルモデリングを組み合わせる可能性を示す。

関連論文リスト

• Probabilistic Latent Variable Modeling for Dynamic Friction Identification and Estimation [2.638878351659023]
  ロボット工学における動的モデルの同定は、制御設計、摩擦補償、出力トルク推定をサポートするために不可欠である。 本稿では,潜伏状態を用いたロボット関節の未同定ダイナミクスについて考察する。 予測最大化 (EM) アルゴリズムを用いてモデルパラメータの近似最大推定 (MLE) を求める。
  論文  参考訳（メタデータ） (2024-12-20T10:16:18Z)
• sEMG-Driven Physics-Informed Gated Recurrent Networks for Modeling Upper Limb Multi-Joint Movement Dynamics [5.524068837259551]
  外骨格とリハビリテーションシステムは、適応的なヒューマン・マシン・インタフェースを用いて、人間の強さと回復を改善する可能性がある。 本稿では,SEMGデータから多関節運動のダイナミクスを予測する新しいモデルPiGRNを提案する。 PiGRN は Gated Recurrent Unit (GRU) を使用して時系列のsEMG入力を処理し、マルチジョイントキネマティクスと外部負荷を推定し、トレーニング中に物理ベースの制約を取り入れながら関節トルクを予測する。
  論文  参考訳（メタデータ） (2024-08-29T15:09:04Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Predicting Multi-Joint Kinematics of the Upper Limb from EMG Signals Across Varied Loads with a Physics-Informed Neural Network [0.0]
  PINNモデルは、フィードフォワードニューラルネットワーク(ANN)とジョイントトルクモデルを組み合わせることで構成される。 PINNモデルのトレーニングデータセットは、EMGと4つの異なる被験者から収集された時間データを含む。 その結果,関節角度予測では58%から83%の相関が認められた。
  論文  参考訳（メタデータ） (2023-11-28T16:55:11Z)
• Newton-Cotes Graph Neural Networks: On the Time Evolution of Dynamic Systems [49.50674348130157]
  本稿では,ニュートン・コーツの公式を用いた速度推定に基づく積分の予測手法を提案する。 いくつかのベンチマークの実験は、最先端の手法と比較して、一貫性と顕著な改善を実証的に示している。
  論文  参考訳（メタデータ） (2023-05-24T02:23:00Z)
• 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)
• Modeling the space-time correlation of pulsed twin beams [68.8204255655161]
  パラメトリックダウンコンバージョンによって生成される絡み合ったツインビームは、画像指向アプリケーションで好まれるソースである。 本研究では,時間消費数値シミュレーションと非現実的な平面波ポンプ理論のギャップを埋めることを目的とした半解析モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-18T11:29:49Z)
• End-to-End Learning of Hybrid Inverse Dynamics Models for Precise and Compliant Impedance Control [16.88250694156719]
  剛体力学モデルの物理的に一貫した慣性パラメータを同定できる新しいハイブリッドモデルの定式化を提案する。 7自由度マニピュレータ上での最先端の逆動力学モデルに対する我々のアプローチを比較した。
  論文  参考訳（メタデータ） (2022-05-27T07:39:28Z)
• Mixed Effects Neural ODE: A Variational Approximation for Analyzing the Dynamics of Panel Data [50.23363975709122]
  パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。 我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。 次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-02-18T22:41:51Z)

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。