論文の概要: Learning Control as Enabling Layer for Embodied Intelligence Research explored with Soft Robotic Swimming in diverse Flow Speeds

• arxiv url: http://arxiv.org/abs/2606.20660v1
• Date: Tue, 09 Jun 2026 15:20:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 20:32:49.954131
• Title: Learning Control as Enabling Layer for Embodied Intelligence Research explored with Soft Robotic Swimming in diverse Flow Speeds
• Title（参考訳）: 多様な流速におけるソフト・ロボット・スイミングを用いた身体情報研究のための階層型学習制御
• Abstract要約: 線形繰り返し学習推定スキーム(PID-LRLES)によるPID制御の強化が動的流れ下での追跡精度と繰り返し性を取り戻すかどうかを評価する。 LRLESは、安定な転移関数の実現を使用しながら、古典的な積分作用を定数から周期的、非コンスタントな参照へと一般化する。 このアプローチは、モルフォロジー、センシング、環境の流れが水面移動に与える影響を分離しようとする将来のロボ物理研究に有効なレイヤーを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Soft robots are valuable robophysical platforms for studying body-caudal undulatory locomotion, but their compliant bodies are difficult to control precisely under changing hydrodynamic loading. Conventional proportional-integral-derivative (PID) feedback stabilizes periodic undulation in static water, but can accumulate flow-dependent tracking delay and increasing inter-trial variability when environmental flow becomes non-trivial. Here, we evaluate whether augmenting PID control with a Linear Repetitive Learning Estimation Scheme (PID-LRLES) recovers tracking accuracy and repeatability under dynamic flow. The LRLES generalizes classical integral action from constant to periodic, non-constant references, while using a stable transfer-function realization whose poles have negative real parts to avoid the long-term instability issues of classical repetitive control. Closed-loop experiments were carried out in a recirculating flow tank at five bulk flow speeds spanning 0 to 32.6 cm s^-1, using an embedded soft capacitive bending sensor at a 1 kHz control-loop rate. With controller gains tuned once in static water and then held fixed across all conditions, PID-LRLES tracked the periodic bending-envelope reference more closely than the PID baseline and significantly reduced the inter-trial spread of the per-trial RMSE (paired Wilcoxon signed-rank test, p = 1.8 x 10^-4, n = 25). Embedded soft proprioception and cycle-to-cycle learning act as complementary contributors to robustness: the sensor exposes the periodic hydrodynamic bias in body deformation, while the learning term absorbs it over recent oscillation cycles. By reducing flow-dependent control-induced variability, the approach provides an enabling layer for future robophysical studies seeking to isolate the effects of morphology, sensing, and environmental flow on aquatic locomotion.
• Abstract（参考訳）: ソフトロボットは, 身体・身体・身体・身体・身体・身体・身体の運動を研究する上で貴重なロボット物理プラットフォームであるが, 流体力学的負荷の変化の下では, その適合体を正確に制御することは困難である。 従来の比例積分微分(PID)フィードバックは, 静水における周期的ゆらぎを安定化させるが, 流れ依存性の追跡遅延を蓄積し, 環境流が非自明な場合の心房間変動を増大させることができる。 本稿では,PID-LRLES(Linear Repetitive Learning Estimation Scheme)によるPID制御の強化が,動的フロー下での追跡精度と再現性を回復するかどうかを評価する。 LRLESは、古典的反復制御の長期的な不安定性問題を避けるために、極が負の実部分を持つ安定移動関数実現法を用いて、定数から周期的、非コンスタントな参照への古典的積分作用を一般化する。 閉ループ実験は、0から32.6cm s^-1のバルク流速5回の循環流槽で、1kHzの制御ループ速度で軟質静電曲げセンサを用いて行われた。 PID-LRLESは、静水中で一度調整され、すべての条件で固定されたコントローラのゲインにより、PIDベースラインよりも周期的な曲げ・エンベロープ基準を追跡し、心房中RMSE(p = 1.8 x 10^-4, n = 25)の心房間拡散を著しく低減した。 組み込まれたソフト・プロバイオセプションとサイクル・ツー・サイクルの学習は、強靭性に相補的な寄与となる:センサーは身体変形の周期的流体力学的バイアスを露出し、学習用語は近年の発振サイクルを通してそれを吸収する。 フロー依存制御による変動を低減させることで、この手法は、形態学、センシング、環境流れが水面移動に与える影響を分離しようとする将来のロボ物理研究に有効となる層を提供する。

関連論文リスト

• Self-Supervised Cardiac Phase Detection via Single-Parameter Latent Orbits [44.45620787098836]
  心エコー図におけるエンドジストール (ED) とエンドジストール (ES) の正確な同定は、心機能の定量化を支えている。 最近の自己監督手法は、厳密な周期軌道を規定するか、あるいは再構成や登録目的から制約のない低次元運動部分空間を学習する。 我々は、効率的な潜在軌道を学習し、EDローカライゼーションにおける技術の以前の状態を大幅に改善し、ESローカライゼーションにおいて、より制約のある表現とより少ないトレーニングエポックを用いて、それをマッチングする。
  論文  参考訳（メタデータ） (2026-09-10T14:56:16Z)
• Micro-Swarm Locomotion Optimization in Dynamic Flow using Multi-Objective Multi-Agent Reinforcement Learning [2.0223202343873226]
  生理的、現実的で、時間に依存した流体環境における微小ロボティックな群れの調整は、未解決の課題である。 本稿では,多目的多エージェント強化学習フレームワークであるComputational Fluid Dynamicsを提案する。 16個の磁気駆動型マイクロロボットが脈動性動脈を走行し、上流の進行、エネルギー保存、動きの滑らかさを同時に最適化する。
  論文  参考訳（メタデータ） (2026-05-24T12:04:29Z)
• A Flow Matching Framework for Soft-Robot Inverse Dynamics [13.045225329973617]
  オープンループフィードフォワード制御のための逆力学フレームワークは、生成トランスポートマップとしてシステムの微分力学を学習する。 作業は、ソフトロボットシステムにおいて、微分逆ダイナミクスを学習するための堅牢で高性能なパラダイムとしてフローマッチングを実証する。
  論文  参考訳（メタデータ） (2026-04-03T12:45:46Z)
• Uncertainty-Aware Adaptive Dynamics For Underwater Vehicle-Manipulator Robots [0.5161531917413708]
  本稿では,新しい不確実性を考慮した適応力学モデルフレームワークを提案する。 オンライン推定中に、凸的な物理的一貫性の制約を埋め込む。 4-DOFマニピュレータを搭載したBlueROV2ヘビーの実験は、急速に収束し、キャリブレーションされた予測を示す。
  論文  参考訳（メタデータ） (2026-03-06T18:35:48Z)
• When Sensors Fail: Temporal Sequence Models for Robust PPO under Sensor Drift [64.37959940809633]
  時間的持続的なセンサ故障下でのPPOのロバスト性について検討する。 トランスフォーマーを用いたシーケンスポリシーは, センサ数が少ない場合でも高いリターンを保ちながら, 堅牢性, RNN, SSMよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2026-03-04T22:21:54Z)
• Hypersonic Flow Control: Generalized Deep Reinforcement Learning for Hypersonic Intake Unstart Control under Uncertainty [0.34376560669160394]
  アンスタートはマッハ5以上での信頼性の高い空気呼吸推進への大きな挑戦である。 正準2次元超音速インレットにおいて,マッハ5とレイノルズ5倍の106$でアンスタートを制御する戦略を示す。 その結果,実運用上の不確実性の下でのリアルタイム超音速流制御におけるデータ駆動型手法が確立された。
  論文  参考訳（メタデータ） (2026-01-27T22:38:52Z)
• Curly Flow Matching for Learning Non-gradient Field Dynamics [49.480209466896035]
  非勾配場力学を学習するための新しいアプローチであるCurly Flow Matching (Curly-FM)を導入する。 Curly-FMは、Schr"odinger Bridge問題の設計と解決によって、非勾配場力学を学習することができる。 Curly-FMは、基準プロセスと人口限界の両方に適合する軌道を学習することができる。
  論文  参考訳（メタデータ） (2025-10-30T16:11:39Z)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• Physics-informed Neural-operator Predictive Control for Drag Reduction in Turbulent Flows [109.99020160824553]
  乱流のモデリングと制御のための効率的な深部強化学習フレームワークを提案する。 予測制御(PC)のためのモデルベースRLであり、乱流制御のためのポリシとオブザーバモデルの両方を共同で学習する。 その結果, PINO-PCは, バルク速度レイノルズ数15,000で39.0%の抗力低下を達成し, 従来の流体制御法を32%以上上回った。
  論文  参考訳（メタデータ） (2025-10-03T00:18:26Z)
• Differentiable multiphase flow model for physics-informed machine learning in reservoir pressure management [44.41703936689344]
  完全に微分可能な多相流シミュレータを結合した物理インフォームド機械学習ワークフローを提案する。 CNNは、不均一な透水性フィールドからの流体抽出速度を予測し、臨界貯水池の圧力制限を強制する。 本研究では, 3 万以上の完全物理多相流シミュレーションにより, 高精度な学習が可能であることを示す。
  論文  参考訳（メタデータ） (2025-08-26T20:38:02Z)
• Real-time simulation of parameter-dependent fluid flows through deep learning-based reduced order models [0.2538209532048866]
  還元次数モデル (ROM) はパラメータ依存の流体力学問題を高速に近似する。 ディープラーニング(DL)ベースのROMは、非線形トライアル多様体と還元力学の両方を非侵襲的に学習することで、これらの制限をすべて克服する。 得られたPOD-DL-ROMは、シリンダーベンチマークの周囲の流れ、固定された剛性ブロックに付着した弾性ビームとラミナー非圧縮性フローとの流体構造相互作用、大脳動脈瘤内の血流のほぼリアルタイムに正確な結果をもたらすことが示されている。
  論文  参考訳（メタデータ） (2021-06-10T13:07:33Z)
• Feedback-induced instabilities and dynamics in the Jaynes-Cummings model [62.997667081978825]
  時間遅延コヒーレントフィードバックを受けるJaynes-Cummingsモデルのコヒーレンスと定常状態特性について検討する。 導入されたフィードバックは、システムの動的応答と定常量子特性を質的に修正する。
  論文  参考訳（メタデータ） (2020-06-20T10:07:01Z)

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。