論文の概要: Co-design of Neural and Muscle Network based on Embodied Perceptron Representation
- arxiv url: http://arxiv.org/abs/2608.16555v1
- Date: Mon, 17 Aug 2026 13:25:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.713837
- Title: Co-design of Neural and Muscle Network based on Embodied Perceptron Representation
- Title（参考訳）: エンボディード・パーセプトロン表現に基づく神経・筋肉ネットワークの共設計
- Abstract要約: 身体ロボット工学は、よく設計された体は、身体と環境の相互作用による制御と計算の役割を部分的に置き換えることができることを示した。
本稿では,ニューラルネットワークと身体システムを統合する理論フレームワークであるEmbodied Perceptronを紹介する。
その結果, インボディード・インテリジェンスによって固有の安定性が得られ, 学習効率が向上し, 単一ニューロン・コントローラによるモデルサイズを大幅に削減できることが示唆された。
- 参考スコア（独自算出の注目度）: 1.4652790713882482
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in AI technologies have enabled the advanced design of complex control policies. In contrast, focusing on the body, many robots still employ simple bodies that can limit adaptability to environments. Studies in embodied robotics have shown that well-designed bodies can partially replace the role of control and computation with physical body-environment interactions, yet such designs still depend heavily on expert intuition. There is a need for a systematic theoretical framework for body design, as well as a method for joint optimization of the body and controller. To address this, we introduce the Embodied Perceptron, a theoretical framework that unifies neural networks and physical body systems. In this view, the body itself acts as a perceptron: mechanical parameters correspond to weights, and physical nonlinearities play the role of activation functions. By representing physical constraints as weights and nonlinear properties as activation functions, a physical body can be modeled in neural-network form. The system representation enables us to explicitly and theoretically explain that the body can substitute for part of the neural control. As an application, we co-optimize control policy and muscle configuration in a musculoskeletal robot and show that the resulting embodied intelligence can provide inherent stability, improve learning efficiency, and drastically reduce model size-even with a single-neuron controller. The results bridge the informational and physical worlds and provide a pathway toward understanding and systematic design of embodied AI systems.
- Abstract（参考訳）: AI技術の最近の進歩は、複雑な制御ポリシーの高度な設計を可能にした。
対照的に、多くのロボットは、環境への適応性を制限できるシンプルな体を使っている。
エンボディード・ロボティクスの研究によると、よく設計された体は、制御と計算の役割を身体と環境の相互作用に部分的に置き換えることができるが、そのようなデザインは専門家の直感に大きく依存している。
身体設計のための体系的な理論的枠組みと、身体とコントローラの協調最適化方法が必要である。
これを解決するために,ニューラルネットワークと身体システムを統合する理論的枠組みであるEmbodied Perceptronを導入する。
機械的パラメータは重みに対応し、物理的非線形性は活性化関数の役割を果たす。
物理的制約を重みとして表現し、非線形特性を活性化関数として表現することにより、物理体をニューラルネットワーク形式でモデル化することができる。
システム表現は、身体が神経制御の一部を代用できることを明確に理論的に説明することができる。
応用として,筋骨格ロボットにおける制御方針と筋構成を協調的に最適化し,結果として得られるインボディード・インテリジェンスによって固有の安定性が得られ,学習効率が向上し,単一ニューロンコントローラによるモデルサイズを劇的に削減できることを示す。
結果は、情報と物理の世界を橋渡しし、具体化されたAIシステムの理解と体系設計への道筋を提供する。
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) - Sensing Intelligence as a Trainable Metamaterial Property [4.98017939257648]
メタマテリアルの幾何学は、外的刺激をニューラルネットワークが解釈しやすい内部信号に変換するために最適化できることを示す。
数値および実験的なセンシングシナリオ全体で、最適化されたボディは、最大5倍の精度でセンシングを改善するか、必要な電子センサーの数をほぼ1桁減らす。
論文 参考訳（メタデータ） (2026-05-13T01:55:34Z) - Receptogenesis in a Vascularized Robotic Embodiment [0.6501025489527174]
動作中に$textitex novo$ハードウェアを生成する能力を持つロボットシステムを取得すると、物理的適応性の制御が拡張される。
この研究は、進化のための材料ベースのフレームワークを確立し、ロボットが出現する振る舞いをサポートするために必要なハードウェアを物理的に成長させることを可能にする。
論文 参考訳（メタデータ） (2026-03-10T10:24:31Z) - Neural Brain: A Neuroscience-inspired Framework for Embodied Agents [78.61382193420914]
大規模な言語モデルのような現在のAIシステムは、いまだに解体され続けており、物理的に世界と関わりが持てない。
この課題の核心は、人間のような適応性を持つエンボディエージェントを駆動するために設計された中枢知能システムであるNeural Brain(ニューラル・ブレイン)の概念である。
本稿では,2つの基本的な課題に対処する,エンボディエージェントのニューラルブレインの統一的枠組みを提案する。
論文 参考訳（メタデータ） (2025-05-12T15:05:34Z) - GeMuCo: Generalized Multisensory Correlational Model for Body Schema Learning [18.64205729932939]
人間は自分の身体の感覚と動きの関係を学習することができる。
現在のロボットは、経験から人間によって記述されたネットワーク構造を学習することで身体を制御する。
論文 参考訳（メタデータ） (2024-09-10T11:19:13Z) - Physics-Encoded Graph Neural Networks for Deformation Prediction under
Contact [87.69278096528156]
ロボット工学では、触覚相互作用における物体の変形を理解することが不可欠である。
本稿では,物理符号化グラフニューラルネットワーク(GNN)を用いた予測手法を提案する。
コードとデータセットを公開して、ロボットシミュレーションと把握の研究を進めました。
論文 参考訳（メタデータ） (2024-02-05T19:21:52Z) - Brain-Inspired Machine Intelligence: A Survey of
Neurobiologically-Plausible Credit Assignment [65.268245109828]
本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。
我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。
本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
論文 参考訳（メタデータ） (2023-12-01T05:20:57Z) - DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative
Diffusion Models [102.13968267347553]
本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。
我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
論文 参考訳（メタデータ） (2023-11-28T18:58:48Z) - Contrastive-Signal-Dependent Plasticity: Self-Supervised Learning in Spiking Neural Circuits [61.94533459151743]
この研究は、スパイキングネットワークのシナプスを調整するための神経生物学的に動機づけられたスキームを設計することの課題に対処する。
我々の実験シミュレーションは、繰り返しスパイクネットワークを訓練する際、他の生物学的に証明可能なアプローチに対して一貫した優位性を示す。
論文 参考訳（メタデータ） (2023-03-30T02:40:28Z) - Neuromechanical Autoencoders: Learning to Couple Elastic and Neural
Network Nonlinearity [15.47367187516723]
私たちは機械学習のアナログを開発しようとしています。
メカニカルインテリジェンス
複素非線形弾性体のモルフォロジーとaを共に学習する。
ディープ・ニューラル・ネットワークで制御できます
論文 参考訳（メタデータ） (2023-01-31T19:04:28Z) - MyoSuite -- A contact-rich simulation suite for musculoskeletal motor
control [7.856809409051587]
myoSuiteは、生理学的に正確な肘、手首、手首の生体力学的モデルで、物理的な接触機能を備えている。
簡単な姿勢制御から熟練した手-物体間相互作用まで、さまざまな運動制御課題を提供する。
論文 参考訳（メタデータ） (2022-05-26T20:11:23Z)
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。