論文の概要: Multi-Contact Force Estimation for Continuum Robots via Gaussian-Parameterized Factor Graphs
- arxiv url: http://arxiv.org/abs/2606.29165v1
- Date: Sun, 28 Jun 2026 03:01:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.818623
- Title: Multi-Contact Force Estimation for Continuum Robots via Gaussian-Parameterized Factor Graphs
- Title（参考訳）: ガウスパラメータ化因子グラフを用いた連続ロボットの多接触力推定
- Abstract要約: 本稿では,因子グラフ上に定式化された統一形状と力量推定フレームワークを提案する。
未知の外部力の次元性を低減し、ノードワイド力推定の不条件を緩和する。
数値シミュレーションにより,提案手法は既存の手法よりも力的位置と寸法推定の点で優れていることを示した。
- 参考スコア（独自算出の注目度）: 15.30109923391651
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Continuum robots offer key advantages in navigating unstructured environments, but their safe operation requires accurate estimation of the external contact forces acting anywhere along the robot body. Estimating these forces at unknown locations is an ill-conditioned problem, particularly for multiple contacts. We propose a unified shape and force estimation framework formulated on a factor graph. By incorporating a Gaussian mixture force parameterization into a discretized probabilistic Cosserat rod model, we reduce the dimensionality of the unknown external forces and mitigate the ill-conditioning of node-wise force estimation. The framework fuses strain, tendon tension, and pose measurements to simultaneously estimate the robot's shape and external forces while accounting for modeling and sensor uncertainties. Numerical simulations demonstrate that the proposed method outperforms existing methods in terms of force location and magnitude estimation for both single and multi-contact scenarios. We further present a progressive variant that introduces basis functions on demand to estimate contact forces sequentially during a simulated confined-navigation task.
- Abstract（参考訳）: 連続ロボットは、非構造環境をナビゲートする上で重要な利点を提供するが、その安全な操作には、ロボット本体のどこにでも作用する外部接触力を正確に推定する必要がある。
未知の場所でこれらの力を推定することは、特に複数の接触者にとって不適切な問題である。
本稿では,因子グラフ上に定式化された統一形状と力量推定フレームワークを提案する。
ガウス混合力パラメタライゼーションを離散化確率コッサートロッドモデルに組み込むことにより、未知外部力の次元性を低減し、ノードワイド力推定の不調和を軽減する。
このフレームワークは、歪み、腱張力、およびポーズ測定を融合させ、モデリングとセンサーの不確実性を考慮して、ロボットの形状と外部力を同時に推定する。
シミュレーションにより, 提案手法は, 単対・複数対のシナリオにおいて, 力的位置および寸法推定の点で, 既存の手法よりも優れていることを示した。
さらに,シミュレートされた限定航法作業中に,需要に応じた基本関数を導入し,順次接触力を推定する進化的変種を提案する。
関連論文リスト
- ForceFlow: Learning to Feel and Act via Contact-Driven Flow Matching [53.30290192030814]
ForceFlowは、フローマッチングに基づいて構築された、フォース対応のリアクティブフレームワークである。
ForceFlowは、強力なベースラインであるForceVLAよりも37%の成功率の向上を実現している。
また、接触力の自己調節において、正確な力信号予測と優れた性能を示す。
論文 参考訳（メタデータ） (2026-05-11T13:27:00Z) - Estimating Force Interactions of Deformable Linear Objects from their Shapes [10.735269120154983]
多くのロボットとワイヤーの相互作用タスクでは、接触はエンドエフェクターではなく、ロボットの体に沿った他の点で行われる。
既存のアプローチは、しばしば高価な外部力トルクセンサーに依存するか、正確な力推定のためにエンドエフェクターで接触が発生する。
これは、導出した一貫性条件を利用して、ワイヤに沿った力-トルクのバランスに基づく線形方程式の系を解くことで達成される。
論文 参考訳（メタデータ） (2026-02-01T08:02:30Z) - Continuum Robot State Estimation with Actuation Uncertainty [10.610593520475357]
本研究では,連続ロボットの原理的リアルタイム推定手法を提案する。
本手法は比較的少ない状態ノードで高い数値精度を実現する。
全体として,本手法は複数の連続ロボットアーキテクチャをまたいだ原理的,リアルタイムな推定を可能にする。
論文 参考訳（メタデータ） (2026-01-08T01:53:42Z) - Forecasting Continuous Non-Conservative Dynamical Systems in SO(3) [51.510040541600176]
コンピュータビジョンにおける移動物体の回転をモデル化するための新しい手法を提案する。
我々のアプローチは、入力ノイズに対して頑健でありながら、エネルギーと運動量保存に非依存である。
トレーニング中の雑音状態から物体のダイナミクスを近似させることで、シミュレーションや様々な現実世界の設定において頑健な外挿能力が得られる。
論文 参考訳（メタデータ） (2025-08-11T09:03:10Z) - Data-driven Force Observer for Human-Robot Interaction with Series Elastic Actuators using Gaussian Processes [4.229902091180109]
本研究では,ガウス過程(GP)回帰を用いて未知の動的成分を学習する。
保証された推定誤差境界を導出し、安全クリティカルなアプリケーションでの使用を容易にする。
人-外骨格相互作用シナリオにおいて提案手法の有効性を実験的に示す。
論文 参考訳（メタデータ） (2024-05-14T15:51:52Z) - Towards Transferring Tactile-based Continuous Force Control Policies
from Simulation to Robot [19.789369416528604]
グリップフォースコントロールは、物体に作用する力の量を制限することによって、物体を安全に操作することを目的としている。
以前の作品では、手動制御器、モデルベースのアプローチ、あるいはsim-to-realトランスファーを示さなかった。
シミュレーションで訓練されたモデルなしの深層強化学習手法を提案し,さらに微調整を行わずにロボットに移行した。
論文 参考訳（メタデータ） (2023-11-13T11:29:06Z) - DeepSimHO: Stable Pose Estimation for Hand-Object Interaction via
Physics Simulation [81.11585774044848]
我々は、前方物理シミュレーションと後方勾配近似とニューラルネットワークを組み合わせた新しいディープラーニングパイプラインであるDeepSimHOを紹介する。
提案手法は, 評価の安定性を著しく向上し, テスト時間最適化よりも優れた効率性を実現する。
論文 参考訳（メタデータ） (2023-10-11T05:34:36Z) - Safe Machine-Learning-supported Model Predictive Force and Motion
Control in Robotics [0.0]
人間とロボットの相互作用や脆弱な物体のハンドリングのような多くのロボットタスクは、安全かつ高性能な操作を実現するために、動き制御と共に現れる力とモーメントの厳密な制御と制限を必要とする。
本研究では,学習支援型モデル予測力と運動制御方式を提案する。
論文 参考訳（メタデータ） (2023-03-08T13:30:02Z) - Reinforcement Learning with a Terminator [80.34572413850186]
我々は, TerMDP のパラメータを学習し, 推定問題の構造を活用し, 状態ワイドな信頼境界を提供する。
我々はこれらを用いて証明可能な効率のよいアルゴリズムを構築し、終端を考慮し、その後悔を抑える。
論文 参考訳（メタデータ） (2022-05-30T18:40:28Z) - Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。
連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。
我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
論文 参考訳（メタデータ） (2021-11-15T18:50:04Z) - Risk-Sensitive Sequential Action Control with Multi-Modal Human
Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。
私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。
シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
論文 参考訳（メタデータ） (2020-09-12T02:02:52Z)
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。