論文の概要: Influence of Radial Basis Activation Functions on Intelligent Controller for Robotic Manipulators

• arxiv url: http://arxiv.org/abs/2607.02167v1
• Date: Thu, 02 Jul 2026 13:36:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.857874
• Title: Influence of Radial Basis Activation Functions on Intelligent Controller for Robotic Manipulators
• Title（参考訳）: ロボットマニピュレータのインテリジェント制御に及ぼす放射基底活性化関数の影響
• Abstract要約: 本稿では,ロボットマニピュレータの軌道追跡のためのインテリジェント制御フレームワークを提案する。 提案した制御構造は、モデルに基づく非線形制御と適応型ニューラル近似器を組み合わせたものである。 本研究の主な目的は,RBFネットワーク内での活性化関数の選択が過渡的行動にどのように影響するかを検討することである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents an intelligent control framework for trajectory tracking of robotic manipulators using radial basis function (RBF) neural networks for online disturbance estimation. The proposed control structure combines model-based nonlinear control with an adaptive neural approximator that compensates for parametric uncertainties, friction, and unmodeled dynamics. A Lyapunov-based adaptation law with projection guarantees boundedness of the closed-loop signals and convergence of the tracking error to a compact region. The primary objective of this work is to investigate how the choice of activation function within the RBF network influences transient behavior, steady-state accuracy, and control smoothness. The controller is implemented on a robotic manipulator. Experimental results demonstrate that although stability is preserved for all kernels, activation function selection significantly affects adaptation dynamics and practical tracking performance. These findings demonstrate that activation function selection acts as a structural design parameter in intelligent control, directly shaping adaptation dynamics and practical closed-loop performance.
• Abstract（参考訳）: 本稿では,放射ベース関数(RBF)ニューラルネットワークを用いたロボットマニピュレータの軌道追跡のためのインテリジェント制御フレームワークを提案する。 提案した制御構造は、モデルに基づく非線形制御とパラメトリック不確実性、摩擦、非モデル力学を補償する適応型ニューラルネットワーク近似器を組み合わせる。 射影を持つリャプノフに基づく適応法は、閉ループ信号の有界性と追跡誤差のコンパクト領域への収束を保証する。 本研究の主な目的は, RBFネットワークにおける活性化関数の選択が過渡的挙動, 定常的精度, 制御の滑らかさにどのように影響するかを検討することである。 コントローラーはロボットマニピュレータに実装されている。 実験結果から,すべてのカーネルに対して安定性は保たれるが,アクティベーション関数の選択は適応力学や実用的な追跡性能に大きく影響することが示された。 これらの結果から,アクティベーション関数の選択は知的制御における構造設計パラメータとして機能し,適応力学を直接形成し,実用的なクローズループ性能を示すことがわかった。

関連論文リスト

• Machine Learning-based Feedback Linearization Control of Quadrotor Subject to Unmodeled Dynamics [0.0]
  この研究は、新しい機械学習ベースのフィードバック線形化制御フレームワークを導入している。 RBF NNのオンライン適応は、事前トレーニングなしでネットワークの重みを更新する。 提案した制御器は、高速収束による軌道追跡を改善し、位置ノルムおよびヨー方向RMSEをそれぞれ7.13%以上、49.27%以上削減する。
  論文  参考訳（メタデータ） (2026-06-30T06:30:19Z)
• SkyJEPA: Learning Long-Horizon World Models for Zero-Shot Sim-to-Real Control of Quadrotors [48.60897189520386]
  本稿では,実時間四重項制御のためのJEPAスタイルモデルを提案する。 我々は、潜伏動力学モデルと、凍結した潜伏者を解釈可能な状態にマッピングする、物理学に着想を得た新しいプロバーを組み合わせる。 高価で安全性の低い実世界のデータ収集への依存を低減するため,自動データセット生成のための構造化パイプラインを構築した。
  論文  参考訳（メタデータ） (2026-06-22T15:00:59Z)
• Learning Context-Aware Neural ODE Dynamics for Adaptive Robotic Control [55.01272784312405]
  本稿では,ニューラル常微分方程式に基づく文脈認識力学モデルを提案する。 Sphero BOLTロボットとFanucマニピュレータを実世界の実験で使用した。
  論文  参考訳（メタデータ） (2026-06-13T20:55:46Z)
• Robust Adaptive Backstepping Impedance Control of Robots in Unknown Environments [15.262365015328832]
  本稿では,接触に富んだ不確実な環境で動作しているロボットに対するロバスト適応型バックステッピングインピーダンス制御(RABIC)戦略を提案する。 本稿では, 基準インピーダンスモデルを追跡するために, バックステッピングに基づくインナーループの適応インピーダンス制御方式を提案する。 不確実性に対処するために、系力学のテイラー級数に基づく推定器と、外部力の上界を決定する適応推定器を用いる。
  論文  参考訳（メタデータ） (2026-04-10T13:48:42Z)
• Real-Time Projected Adaptive Control for Closed-Chain Co-Manipulative Continuum Robots [0.764671395172401]
  協調操作型連続ロボット(CCR)では、複数の連続アームが共通の柔軟な物体をつかむことで協調する。 現実的なタスクでは、フレキシブルオブジェクトの物理パラメータはしばしば未知であり、操作によって異なる。 本稿では,動的レベルで定式化されたCCRの適応制御フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-05T22:03:23Z)
• Intelligent Control of Differential Drive Robots Subject to Unmodeled Dynamics with EKF-based State Estimation [28.37226750522601]
  この研究は、リアプノフに基づく非線形コントローラと適応ネットワーク(ANN)を組み合わせた統一制御と状態推定フレームワークを導入する。 提案した制御器はニューラルネットワークの普遍近似特性を利用して未知の非線形性をリアルタイムでモデル化する。 堅牢な状態推定を保証するため、EKFは単分子、2D-LiDARおよびホイールエンコーダから慣性測定ユニット(IMU)とオドメトリーを融合させる。
  論文  参考訳（メタデータ） (2026-03-16T07:44:28Z)
• Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model Predictive Control [46.81433026280051]
  本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。 我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
  論文  参考訳（メタデータ） (2022-10-23T00:45:05Z)
• Learning Variable Impedance Control for Aerial Sliding on Uneven Heterogeneous Surfaces by Proprioceptive and Tactile Sensing [42.27572349747162]
  本研究では,空中すべり作業に対する学習に基づく適応制御手法を提案する。 提案するコントローラ構造は,データ駆動制御とモデルベース制御を組み合わせたものである。 美術品間相互作用制御手法の微調整状態と比較して,追従誤差の低減と外乱拒否の改善を実現した。
  論文  参考訳（メタデータ） (2022-06-28T16:28:59Z)
• Adaptation through prediction: multisensory active inference torque control [0.0]
  本稿では,産業用アームのための多感能動型トルクコントローラを提案する。 私たちのコントローラは、予測的脳仮説にインスパイアされ、現在のアクティブな推論アプローチの能力を向上します。
  論文  参考訳（メタデータ） (2021-12-13T16:03:18Z)
• 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)

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。