論文の概要: Damage Adaptation in Seconds for Architected Materials

• arxiv url: http://arxiv.org/abs/2606.17394v1
• Date: Tue, 16 Jun 2026 01:11:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-17 17:15:32.193965
• Title: Damage Adaptation in Seconds for Architected Materials
• Title（参考訳）: 建築材料の第2次損傷適応
• Authors: James Avtges, Jake Ketchum, Helena Young, Taekyoung Kim, Ryan Truby, Todd Murphey,
• Abstract要約: 本研究では, 軟弱作動系の破滅的な損傷を1分以内で処理する。 建築材料は適応性に優れており、アクチュエータの故障は急速ではなく徐々に起こる。 我々のアルゴリズムは、カット、バーン、アクチュエータの修理に適応することができ、シミュレーションのないリアルタイム適応を可能にします。
• 参考スコア（独自算出の注目度）: 1.9980707252644898
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Adaptation to damages and in-situ physical repairs is essential for long-term robot autonomy, yet challenging outside of narrowly defined and well-anticipated bounds. In this work we proprioceptively adapt to catastrophic damage in soft-actuated systems in under one minute. Architected materials are well equipped for adaptation: actuator failure occurs gradually rather than acutely, and damage can be described in a low-dimensional, discrete coordinate space. Surprisingly, latent damage representations plus a simple yet robust ensemble method is sufficient for adapting to unseen damage in real-time. Moreover, we identify conditions under which exponential sample complexity collapses to linear sample complexity for learned representations of architected materials, a concrete advantage over rigid components or continuum soft mechanisms. We demonstrate LEAP, our method for adaptive proprioception, via a tracing task for a 6DoF soft wrist based on Handed Shearing Auxetic (HSA) actuators. Our algorithm is able to adapt to cuts, burns, and actuator repairs, enabling simulation-free real-time adaptation that is critical for realizing the promise of soft robots outside the lab. Videos and more information are available at https://murpheylab.github.io/leap.
• Abstract（参考訳）: 損傷への適応とその場での物理的修復は、長期の自律性には不可欠である。 本研究は, 軟弱作動系の破滅的損傷を1分以内で再現的に適応する。 アクチュエータの故障は急速ではなく徐々に発生し、損傷は低次元の離散座標空間で記述できる。 驚くべきことに、遅延的な損傷表現と単純で頑健なアンサンブル法は、リアルタイムで見えない損傷に適応するのに十分である。 さらに, 厳密な構成成分や連続性ソフト機構に対する具体的な優位性として, 指数的サンプル複雑性が崩壊し, 線形サンプル複雑性に陥る条件を明らかにした。 本手法は,ハンドシェイリング軸受(HSA)アクチュエータをベースとした6DoF軟式手首の追跡作業を通じて,適応型プロセプションの手法であるLEAPを実証する。 われわれのアルゴリズムは切断、燃焼、アクチュエータの修理に適応し、シミュレーションのないリアルタイム適応を可能にする。 ビデオや詳しい情報はhttps://murpheylab.github.io/leap.comで公開されている。

関連論文リスト

• Reinforcement learning in linear embedding space unlocks generalizable control across soft robot configurations [60.42735420750131]
  タコや象のトランクのような軟体生物は、顕著な形態的適応性を示す。 近年、様々なソフトロボットが登場し、様々な素材、硬さ、特定のタスクに合わせた形態を特徴としている。 本稿では,多様なソフトロボット構成にまたがる迅速な適応を可能にする汎用制御システムを提案する。
  論文  参考訳（メタデータ） (2026-06-06T11:09:46Z)
• Learning Reactive Dexterous Grasping via Hierarchical Task-Space RL Planning and Joint-Space QP Control [50.28263951510334]
  本稿では,リアクティブなデクスタリーグルーピングのためのハイブリッド階層型制御フレームワークを提案する。 提案手法は,低レベル共同実行から高レベル空間意図を明示的に分離する。 我々は厳密なシミュレーションと現実のパイプラインを通して提案したフレームワークを広範囲に検証する。
  論文  参考訳（メタデータ） (2026-05-05T04:49:38Z)
• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• Dynamic Manipulation of Deformable Objects in 3D: Simulation, Benchmark and Learning Strategy [88.8665000676562]
  従来の手法は、しばしば問題を低速または2D設定に単純化し、現実の3Dタスクに適用性を制限する。 データ不足を軽減するため、新しいシミュレーションフレームワークと、低次ダイナミクスに基づくベンチマークを導入する。 本研究では,シミュレーション前トレーニングと物理インフォームドテスト時間適応を統合するフレームワークであるDynamics Informed Diffusion Policy (DIDP)を提案する。
  論文  参考訳（メタデータ） (2025-05-23T03:28:25Z)
• Balancing Robustness and Efficiency in Embedded DNNs Through Activation Function Selection [1.474723404975345]
  安全クリティカルなアプリケーションのための機械学習ベースの組み込みシステムは、ソフトエラーによる摂動に対して堅牢でなければならない。 ハイパースペクトル画像のセマンティックセグメンテーションのために開発されたエンコーダ・デコーダ畳み込みモデルと自律運転システムへの応用に焦点を当てた。
  論文  参考訳（メタデータ） (2025-04-07T14:21:31Z)
• Mechanics-Informed Autoencoder Enables Automated Detection and Localization of Unforeseen Structural Damage [12.889670445791985]
  MIDASは、構造物の損傷の自動検出と位置決めのための"deploy-and-forget"アプローチである。 これは、安価なセンサー、データ圧縮、およびメカニックインフォームドオートエンコーダから完全に受動的に計測される相乗的な統合である。 わずか3時間のデータから学んだMIDASは、さまざまな種類の予期せぬ損傷を自律的に検出し、ローカライズすることができる。
  論文  参考訳（メタデータ） (2024-02-23T18:31:02Z)
• OSCAR: Data-Driven Operational Space Control for Adaptive and Robust Robot Manipulation [50.59541802645156]
  オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。 本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。 本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2021-10-02T01:21:38Z)
• Learning Compliance Adaptation in Contact-Rich Manipulation [81.40695846555955]
  本稿では,コンタクトリッチタスクに必要な力プロファイルの予測モデルを学習するための新しいアプローチを提案する。 このアプローチは、双方向Gated Recurrent Units (Bi-GRU) に基づく異常検出と適応力/インピーダンス制御を組み合わせたものである。
  論文  参考訳（メタデータ） (2020-05-01T05:23:34Z)
• Gaining a Sense of Touch. Physical Parameters Estimation using a Soft Gripper and Neural Networks [3.0892724364965005]
  ロボットグリップを用いた物体との直接相互作用の測定における深層学習アルゴリズムを用いた物理パラメータ推定に関する十分な研究はない。 本研究では、剛性係数の回帰をトレーニング可能なシステムを提案し、物理シミュレータ環境を用いて広範な実験を行った。 本システムでは,Yale OpenHandソフトグリップを用いて,指に装着した慣性測定ユニット(IMU)の読み値に基づいて,物体の硬さを確実に推定することができる。
  論文  参考訳（メタデータ） (2020-03-02T11:56:14Z)

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。