論文の概要: Learning-Based Modeling of Soft Robots via Cosserat Rod Theory

• arxiv url: http://arxiv.org/abs/2606.20958v1
• Date: Thu, 18 Jun 2026 21:53:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 11:36:55.567054
• Title: Learning-Based Modeling of Soft Robots via Cosserat Rod Theory
• Title（参考訳）: コセラットロッド理論によるソフトロボットの学習モデル
• Authors: Mohammad Ali, Nithin Senthur Kumar, Eric J. Barth, Thomas Beckers,
• Abstract要約: この研究は、平面状の棒状のソフトロボットの力学を学習し、シミュレーションするためのポート・ハミルトン・ガウス過程回帰フレームワークを導入している。 より詳しくは、提案モデルはコセラットロッド理論とハミルトン物理学とデータ駆動推論を統合し、系のエネルギー構造を保存する。 シミュレーションにより,ロッド型ソフトロボットの高精度かつエネルギー一貫性のある表現を実現できることを示す。
• 参考スコア（独自算出の注目度）: 0.05249805590164902
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modeling soft robot dynamics is challenging due to their continuum structure and typically nonlinear dynamics. Creating models based on first-order principles is typically time-demanding, and their expressiveness is limited, whereas data-driven models lack interpretability and physical consistency. This work aims to overcome these challenges by introducing a port-Hamiltonian Gaussian Process Regression framework for learning and simulating the dynamics of planar, rod-like soft robots. In detail, the proposed model integrates Cosserat rod theory and Hamiltonian physics with data-driven inference to preserve the system's energy structure while accurately learning the rod dynamics. Numerical simulations show that we can achieve accurate and energy-consistent representations of a rod-like soft robot, showing the potential for a robust and interpretable pathway for modeling complex continuum mechanics.
• Abstract（参考訳）: ソフトロボット力学のモデリングは連続体構造と典型的には非線形力学のために困難である。 ファーストオーダーの原則に基づくモデルの作成は、典型的には時間要求であり、その表現性は制限されるが、データ駆動モデルは解釈可能性と物理的一貫性に欠ける。 この研究は、平面的で棒状のソフトロボットのダイナミクスを学習し、シミュレーションするためのポート・ハミルトン・ガウス過程回帰フレームワークを導入することで、これらの課題を克服することを目的としている。 より詳しくは、提案モデルはコッサート・ロッド理論とハミルトン物理学をデータ駆動推論と統合し、ロッド力学を正確に学習しながらシステムのエネルギー構造を保存する。 数値シミュレーションにより,ロッド型ソフトロボットの高精度かつエネルギー一貫性のある表現が可能であることが示され,複雑な連続体力学をモデル化するための頑健かつ解釈可能な経路の可能性が示された。

関連論文リスト

• Trajectory Generation for Underactuated Soft Robot Manipulators using Discrete Elastic Rod Dynamics [2.739506394240299]
  動的に実現可能な軌道を持つ計画運動は任意の変形を捉えるモデルを必要とする。 本研究は,空気圧式ソフトロボットアームを用いた軌道生成の枠組みを実験的に検証する。
  論文  参考訳（メタデータ） (2026-03-23T22:01:14Z)
• Diffusion Dynamics Models with Generative State Estimation for Cloth Manipulation [31.868248649812088]
  衣服の操作は、非常に複雑なダイナミクス、ほぼ無限の自由度、そして頻繁な自己閉塞によって困難である。 本稿では,知覚と動的モデリングの両方に対する拡散に基づく生成手法を提案する。 本研究では,実際のロボットシステムにおいて,布の折り畳みを効果的に行うことができることを示す。
  論文  参考訳（メタデータ） (2025-03-15T05:34:26Z)
• Stable Port-Hamiltonian Neural Networks [12.84178151785869]
  本稿では,エネルギー保存と散逸の物理的バイアスを組み込んだ機械学習アーキテクチャである,安定なポート・ハミルトンニューラルネットワークを紹介する。 これらの強い帰納バイアスは、不安定なデータから安定なダイナミクスを堅牢に学習し、不安定性を回避し、正確さと物理的に意味のある一般化において純粋にデータ駆動アプローチを超越することを実証する。
  論文  参考訳（メタデータ） (2025-02-04T16:57:02Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• Physics-Constrained Learning for PDE Systems with Uncertainty Quantified Port-Hamiltonian Models [0.7350858947639451]
  本稿では,強力な学習ツールと信頼性のある物理モデルを組み合わせた物理制約学習手法を提案する。 ガウス過程のベイズ的性質に基づいて、系の力学を学習するだけでなく、不確実な定量化を可能にする。
  論文  参考訳（メタデータ） (2024-06-17T17:52:01Z)
• 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)
• Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
  データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。 本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。 基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
  論文  参考訳（メタデータ） (2021-11-02T10:51:42Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

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。