論文の概要: Constraint-Aware Physics-Informed Neural Networks for Static Shape Estimation of Co-Manipulative Continuum Robots

• arxiv url: http://arxiv.org/abs/2608.26273v1
• Date: Wed, 26 Aug 2026 18:00:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.140286
• Title: Constraint-Aware Physics-Informed Neural Networks for Static Shape Estimation of Co-Manipulative Continuum Robots
• Title（参考訳）: 協調操作型連続ロボットの静的形状推定のための制約を考慮した物理インフォームニューラルネットワーク
• Abstract要約: 本稿では、腱駆動型CCRの静的形状推定のための制約対応物理インフォームドニューラルネットワーク(PINN)を提案する。 140個のサンプルと50%のラベルノイズにより、PINNは相対的な構成誤差、平衡残基、閉鎖残基をそれぞれ67.88%、67.35%、88.06%削減する。
• 参考スコア（独自算出の注目度）: 0.764671395172401
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Static shape estimation of co-manipulative continuum robots (CCRs) is challenging because the continuum arms and manipulated flexible object form a closed chain that must satisfy both static equilibrium and geometric loop-closure constraints. This paper presents a constraint-aware physics-informed neural network (PINN) for static shape estimation of a tendon-driven CCR modeled using the geometric variable strain formulation. The proposed method incorporates a projected static equilibrium residual and a configuration-level geometric residual to enforce the governing mechanics and closed-chain geometry. In simulation, the PINN is compared with a purely data-driven artificial neural network (ANN) under limited and noisy training data. With 140 samples and 50% label noise, the PINN reduces the relative configuration error, equilibrium residual, and closed-chain residual by 67.88%, 67.35%, and 88.06%, respectively. Using the full dataset, the PINN achieves 0.1597% relative configuration error with an inference time of 0.1773 ms, compared with 17.97 s for an iterative nonlinear solver. Experimental fine-tuning reduces the marker RMSE from 2.657 mm to 0.497 mm and increases R2 from -0.788 to 0.937. These results demonstrate accurate, physically consistent, and computationally efficient static shape estimation of closed-chain CCRs.
• Abstract（参考訳）: コマニピュティブ連続ロボット(CCR)の静的形状推定は、連続アームと操作された柔軟な物体が、静的平衡と幾何学的ループ閉鎖の制約を満たさなければならない閉鎖を形成するため、困難である。 本稿では,幾何的変動ひずみ定式化を用いてモデル化した腱駆動型CCRの静的形状推定のための制約対応物理情報ニューラルネットワーク(PINN)を提案する。 提案手法は, 予測された静的平衡残差と構成レベルの幾何残差を組み込んで, 支配力学および閉鎖形状を強制する。 シミュレーションでは、PINNは、制限付きノイズの多いトレーニングデータの下で、純粋にデータ駆動型人工知能(ANN)と比較される。 140個のサンプルと50%のラベルノイズにより、PINNは相対的な構成誤差、平衡残基、閉鎖残基をそれぞれ67.88%、67.35%、88.06%削減する。 完全なデータセットを使用すると、PINNは0.1597%の相対的な設定誤差を0.1773msで達成し、反復非線形解法では17.97sである。 実験的微調整によりRMSEは2.657mmから0.497mmに減少し、R2は-0.788から0.937に増加する。 これらの結果から, クローズドチェーンCCRの精度, 物理的に一貫した, および計算効率のよい静的形状推定が得られた。

関連論文リスト

• Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
  大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。 本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。 我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$まで独立散逸率を学習した。 スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
  論文  参考訳（メタデータ） (2026-08-25T15:07:11Z)
• PCGD: Physics-Guided Conditional Graph Diffusion for TCAD Device Simulation [9.52305650797911]
  非構造化TCADメッシュ上で動作する物理誘導型条件付きグラフ拡散フレームワークPCGDを紹介する。 PCGDは静電場とキャリア密度場の結合を予測する。 剛体ドリフト拡散方程式の典型的な数値不安定性を回避できる。
  論文  参考訳（メタデータ） (2026-06-28T08:40:41Z)
• Towards Data-Efficient Cross-Device Generalization of Grad-Shafranov Equilibria via Transfer Learning Neural Operator [3.9544080780786692]
  平衡再構成は、デバイス間演算子学習問題として再キャスト可能であることを示す。 我々は、幾何学とプロファイルパラメータを直接ポロイドフラックス場にマッピングする、ドメイン固有のニューラル演算子フレームワークを開発した。 解析的に抽出可能なソロフエフ族を制御されたグラッド・シャフラノフテストベッドとして使用し、8つの幾何学的に異なるトカマクのような構成の平衡を生成する。
  論文  参考訳（メタデータ） (2026-06-13T23:47:19Z)
• Loss-Conditional PINNs for Parametric PDE Families [45.945826972787415]
  物理インフォームドニューラルネットワーク(PINN)は、残差、境界、初期およびデータ損失の重み付けを最小化し、ODEとPDEの解を近似する。 我々は,Dosovitskiy と Djolonga (2020) の損失条件訓練を PDE-Residual 設定に適応させるLC-PINNを紹介した。 完全な物理情報しか持たないが、パラメトリックな家族の訓練も受けている。
  論文  参考訳（メタデータ） (2026-06-03T04:02:10Z)
• Hybrid Neural Ordinary Differential Equations for Data-Efficient Polymerization Modeling with Incomplete Kinetics [42.58292307702424]
  自由ラジカル重合のデータ効率モデリングのためのハイブリッドニューラル正規微分方程式フレームワークを提案する。 ハイブリッドNODEは、離散時間フィードフォワードニューラルネットワークと、スパースデータ条件下で純粋にデータ駆動のNODEに対して評価される。 ノイズの多いデータと目に見えない操作条件の一般化シナリオでは、ハイブリッドNODEはデータ駆動NODEの0.31と離散時間モデルでの0.68に対して、RMSEの0.013を達成している。
  論文  参考訳（メタデータ） (2026-06-01T12:10:48Z)
• TIDE: Asymmetric Neural Circuits for Stabilized Temporal Inhibitory-Excitatory Dynamics [51.37317469455798]
  最近のContinuous Thought Machineアーキテクチャは、ニューラルダイナミクスを介して外部入力から内部計算を分離している。 非対称な興奮抑制(E-I)ネットワークを用いたニューラルダイナミクスのモデル化を提案する。 本稿では、神経力学を安定化させて内部表現を計算する、神経に触発されたアーキテクチャであるTIDE(Temporal Inhibitory-Excitatory Dynamic Engine)を紹介する。
  論文  参考訳（メタデータ） (2026-05-19T05:59:13Z)
• Self-induced stochastic resonance: A physics-informed machine learning approach [0.0]
  自己誘発共鳴(英: Self-induced resonance, SISR)は、ノイズのみによって駆動される励起系におけるコヒーレント振動の出現である。 本研究は、フィッツヒューニューロンにおけるSISRのモデリングと予測のための物理インフォームド機械学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-26T21:49:20Z)
• Assessing the Limits of Graph Neural Networks for Vapor-Liquid Equilibrium Prediction: A Cryogenic Mixture Case Study [3.765010805872486]
  本研究では、GERG-2008/CoolPropデータに基づいてトレーニングされた構造対応グラフニューラルネットワーク(GNN; DimeNet++)が、状態方程式(EoS)の実用的なサロゲートとして機能するかどうかを問う。 我々は90～200K以上の3次データセットと100バーへの圧力を生成し、15%密度フィルタ(5,200状態を1,516に還元する)でキュレートし、各状態と軽量な分子力学スナップショットを組み合わせて構造特性の供給を行う。 我々は、構成上、この研究におけるサロゲートは、VLEに対して平衡対応可能ではなく、実行時利益を提供しない、と結論づける。
  論文  参考訳（メタデータ） (2025-09-10T16:10:58Z)
• Deterministic and statistical calibration of constitutive models from full-field data with parametric physics-informed neural networks [36.136619420474766]
  フルフィールド変位データからモデルキャリブレーションを行うためのパラメトリック物理インフォームドニューラルネットワーク(PINN)について検討した。 PINNの高速評価により、ほぼリアルタイムでキャリブレーションを行うことができる。
  論文  参考訳（メタデータ） (2024-05-28T16:02:11Z)
• RAMP-Net: A Robust Adaptive MPC for Quadrotors via Physics-informed Neural Network [6.309365332210523]
  本稿では、単純なODEとデータの一部をトレーニングしたニューラルネットワークを用いて、PINN(RAMP-Net)を介してロバスト適応MPCフレームワークを提案する。 我々は,SOTA回帰に基づく2つのMPC法と比較して,0.5～1.75m/sの追跡誤差を7.8%から43.2%,8.04%から61.5%削減した。
  論文  参考訳（メタデータ） (2022-09-19T16:11:51Z)
• Simultaneous boundary shape estimation and velocity field de-noising in Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
  MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。 これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。 我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-07-16T12:56:09Z)

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。