論文の概要: Systematic Lightweight Method for Robotics Based on Strain Energy Distribution Optimization
- arxiv url: http://arxiv.org/abs/2608.29146v1
- Date: Sat, 29 Aug 2026 08:45:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-03 12:55:51.629963
- Title: Systematic Lightweight Method for Robotics Based on Strain Energy Distribution Optimization
- Title（参考訳）: ひずみエネルギー分布最適化に基づくロボットの系統軽量化
- Abstract要約: サービスロボットは安全性、機敏性、省エネのために軽量であることが期待されている。
システムレベルの最適なロボット設計を実現するための効果的な方法が不可欠である。
ひずみエネルギーの分布を最適化する新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 4.295048678741513
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Service robots work with people and are highly expected to be lightweight for safety, agility and energy conservation. As a complex mechanical system, a robot consists of a large number of components and has various working configurations and load environments. An effective method for achieving system-level optimal robot design is a crucial requirement, but it poses significant challenges. In this study, we introduce a novel approach to optimize the distribution of strain energy, which can significantly improve the effectiveness of systematic optimization in a complex system. First, we present and demonstrate that the strain energy per unit mass should be uniformly distributed in an optimal lightweight mechanical system. Based on this criterion, the system-level problem can be decoupled and the design objective of each part can be assigned based on the strain energy. Then, each part can be optimally designed separately according to its specific circumstances by using different approaches, such as size optimization, topological optimization, and material optimization. In this way, the optimization is at the system level, while the computational complexity is at the part level. Weight reduction and improvements in mechanical properties can be obtained simultaneously. As an example, this method is applied to an arbitrarily designed robotic arm, and its effectiveness is further demonstrated in the cases of lightweight with stiffness improvement, considering multiple materials, multiple working conditions, and vibration performance.
- Abstract（参考訳）: サービスロボットは人々と一緒に働き、安全性、機敏性、省エネのために軽量であることが期待されている。
複雑な機械システムとして、ロボットは多数のコンポーネントから構成され、様々な作業構成と負荷環境を有する。
システムレベルの最適なロボット設計を実現するための効果的な方法が不可欠である。
本研究では, 複雑なシステムにおいて, 系統最適化の有効性を大幅に向上させることができる, ひずみエネルギーの分布を最適化するための新しい手法を提案する。
まず, 単位質量当たりのひずみエネルギーを最適軽量機械系に均一に分配することを示した。
この基準に基づき、システムレベルの問題を分離することができ、各部品の設計目的をひずみエネルギーに基づいて割り当てることができる。
そこで,各部位は,大きさ最適化,位相最適化,材料最適化といった異なる手法を用いて,特定の状況に応じて個別に設計することができる。
このように、最適化はシステムレベルであり、計算の複雑さは部分レベルである。
機械的特性の軽量化と改善を同時に行うことができる。
例として, 任意設計のロボットアームに適用し, 複数の材料, 複数作業条件, 振動性能を考慮した軽量化, 剛性向上を図った。
関連論文リスト
- A Multi-objective Optimization Approach for Feature Selection in Gentelligent Systems [62.08647860272078]
本稿では,固有成分情報と自動機構を組み込んだシステムを指すために,ジェネリジェントシステム(Gentelligent system)という用語を用いる。
信頼性の高い故障検出手法を実装することで、製造業者は製品品質の向上、収量の増加、生産コストの削減など、いくつかのメリットを享受できる。
論文 参考訳（メタデータ） (2025-11-20T23:50:55Z) - Optimas: Optimizing Compound AI Systems with Globally Aligned Local Rewards [98.0983122471875]
複合システムの効率的な最適化のための統一的なフレームワークであるOptimasを提案する。
各イテレーションにおいて、Optimasはローカルリワード関数(LRF)を効率よく適用し、各コンポーネントのローカル報酬を最大化しながら、この特性を維持する。
我々は,5つの実世界の化合物システムに対して広範な評価を行い,オプティマスが11.92%の平均的な改善によって強いベースラインを上回っていることを示す。
論文 参考訳（メタデータ） (2025-07-03T07:12:48Z) - Efficient Design of Compliant Mechanisms Using Multi-Objective Optimization [50.24983453990065]
そこで本研究では,大きな角状脳卒中を許容できる適合型クロスヒンジ機構の合成について述べる。
キネトスタティックな性能測定に基づいて,多目的最適化問題を定式化する。
論文 参考訳（メタデータ） (2025-04-23T06:29:10Z) - Accelerated Gradient-based Design Optimization Via Differentiable Physics-Informed Neural Operator: A Composites Autoclave Processing Case Study [0.0]
本稿では,複雑な工学系の非線形挙動を効果的にモデル化する物理インフォームドディープONet(PIDON)アーキテクチャを提案する。
3倍の高速化を実現した航空宇宙グレード複合材料硬化プロセスの最適化における本フレームワークの有効性を実証する。
提案モデルには,高度工学およびディジタルツインシステムにおける幅広い応用のための,スケーラブルで効率的な最適化ツールとして使用される可能性がある。
論文 参考訳（メタデータ） (2025-02-17T07:11:46Z) - A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。
これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。
本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
論文 参考訳（メタデータ） (2024-12-18T14:11:15Z) - CURE: Simulation-Augmented Auto-Tuning in Robotics [15.943773140929856]
本稿では、因果的な設定オプションを識別するCUREを提案する。
CUREは、様々な構成オプションとロボットのパフォーマンス目標との間の因果関係を抽象化する。
物理ロボットとシミュレーションの両方で実験を行うことにより,CUREの有効性と伝達性を示す。
論文 参考訳（メタデータ） (2024-02-08T04:27:14Z) - Design Optimizer for Planar Soft-Growing Robot Manipulators [1.1888144645004388]
本研究は,ソフト成長ロボットの設計最適化のための新しいアプローチを提案する。
ソフトマニピュレータのキネマティックチェーンを最適化し、ターゲットに到達し、材料や資源の不要な過剰使用を避ける。
提案手法を最適性にアクセスするために, 提案手法を検証したところ, 解法の性能は著しく向上した。
論文 参考訳（メタデータ） (2023-10-05T08:23:17Z) - Multi-Objective Constrained Optimization for Energy Applications via
Tree Ensembles [55.23285485923913]
エネルギーシステムの最適化問題は、強い非線形系の挙動と複数の競合する目的のために複雑である。
場合によっては、提案された最適解は、物理的性質や安全クリティカルな操作条件に関連する明示的な入力制約に従う必要がある。
本稿では,ブラックボックス問題に対する制約付き多目的最適化のためのツリーアンサンブルを用いた新しいデータ駆動戦略を提案する。
論文 参考訳（メタデータ） (2021-11-04T20:18:55Z) - Optimization of Heterogeneous Systems with AI Planning Heuristics and
Machine Learning: A Performance and Energy Aware Approach [0.0]
不均一コンピューティングシステムは高い性能とエネルギー効率を提供する。
このようなシステムを最適に活用するには、ホストCPUとアクセラレーションデバイスにまたがるソリューションが必要である。
本稿では,パラメータ空間探索のためのAI計画と,性能とエネルギー評価のための機械学習モデルを組み合わせた,性能とエネルギーを考慮したアプローチを提案する。
論文 参考訳（メタデータ） (2021-06-02T19:45:53Z) - An even-load-distribution design for composite bolted joints using a
novel circuit model and artificial neural networks [1.8472148461613158]
最適化手法として機械学習に基づくフレームワークを提案する。
人工ネットワークのトレーニングのためのデータサンプルを生成するための新しい回路モデルが確立された。
設計空間におけるすべての入力のデータベースは、機械学習モデルを通じて構築される。
論文 参考訳（メタデータ） (2021-05-15T10:10:47Z) - Machine Learning Framework for Quantum Sampling of Highly-Constrained,
Continuous Optimization Problems [101.18253437732933]
本研究では,連続空間の逆設計問題を,制約のないバイナリ最適化問題にマッピングする,汎用的な機械学習ベースのフレームワークを開発する。
本研究では, 熱発光トポロジを熱光応用に最適化し, (ii) 高効率ビームステアリングのための拡散メタグレーティングを行うことにより, 2つの逆設計問題に対するフレームワークの性能を示す。
論文 参考訳（メタデータ） (2021-05-06T02:22:23Z)
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。