論文の概要: Task-Distribution-Aware Counterweight Synthesis and Constrained Co-Design for Serial Manipulators
- arxiv url: http://arxiv.org/abs/2609.15082v1
- Date: Mon, 14 Sep 2026 05:51:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:06.112818
- Title: Task-Distribution-Aware Counterweight Synthesis and Constrained Co-Design for Serial Manipulators
- Title（参考訳）: シリアルマニピュレータのタスク分布を考慮した対重合成と制約付き共設計
- Abstract要約: 本稿では,タスク分散を意識した合成フレームワークを開発する。
回復した3リンクマニピュレータをケーススタディとして使用する。
非重力面は、好ましい質量半径対が宣言された工学的境界に依存することを示している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Passive counterweights are simple gravity compensators, but a counterweight selected from a single pose is not generally optimal for the configurations and tasks a manipulator actually executes. This paper develops a task-distribution-aware synthesis framework in which the operating distribution $ρ(q)$ enters the design explicitly. For a counterweight moment $p=m_c r_c$ with gravity torque $-gpφ(q)$, the weighted mean-square residual gravity torque has the closed-form minimizer $p^*=E_ρ[τ_gφ]/(gE_ρ[φ^2])$. If payload gravity torque is affine in payload mass, the optimum is also affine: $p^*(m_p,ρ)=p_0^*(ρ)+m_pK_p(ρ)$. For fixed static moment, added counterweight inertia is $I_c=pr_c$ while mass is $m_c=p/r_c$, so mass-radius selection is underdetermined unless physical constraints are specified. A recovered three-link manipulator is used as a case study. At $r_c=0.20$ m, zero-payload equivalent optima are 0.672 kg for uniform joint-space operation, 0.683 kg for approximately uniform task-space operation, 0.713 kg for a representative pick-and-place family, and 0.952 kg for a high-gravity-biased distribution, a change of more than 40% caused solely by the operating distribution. Nondominated fronts show that preferred mass-radius pairs depend on declared engineering bounds. A rated-torque-referenced all-joint screen increases zero-payload feasible task-space coverage from 78.1% without compensation to 93.7% for the uniform-distribution design. A lumped point-mass trajectory study gives a provisional crossover from no counterweight at very aggressive motion to stronger compensation as motion slows. These actuator and dynamic results are engineering consequence studies rather than physical validation.
- Abstract（参考訳）: パッシブカウンターウェイトは単純な重力補償器であるが、単一のポーズから選択されたカウンターウェイトは、マニピュレータが実際に実行する構成やタスクに対して一般的に最適ではない。
本稿では,動作分布$ρ(q)$が明示的に入力されるタスク分散対応合成フレームワークを開発する。
重力トルク$-gpφ(q)$の対重モーメント$p=m_c r_c$に対して、重み付き平均二乗残留重力トルクは、閉形最小値$p^*=E_ρ[τ_gφ]/(gE_ρ[φ^2])$を有する。
ペイロード重力トルクがペイロード質量のアフィンである場合、最適値は、$p^*(m_p,ρ)=p_0^*(ρ)+m_pK_p(ρ)$である。
固定静的モーメントの場合、追加の対重慣性は$I_c=pr_c$であり、質量は$m_c=p/r_c$であるので、物理的制約が特定されない限り質量半径選択は過小評価される。
回復した3リンクマニピュレータをケーススタディとして使用する。
r_c=0.20$mのゼロペイロード等価オプティマは、均一な関節空間操作で0.672 kg、ほぼ均一なタスク空間操作で0.683 kg、代表的なピックアップ・アンド・プレイス・ファミリーで0.713 kg、高重力分布で0.952 kgである。
非支配的なフロントは、好ましい質量半径対が宣言された工学的境界に依存することを示している。
定格トルク基準のオールジョイントスクリーンは、ゼロペイロード可能なタスクスペースのカバレッジを78.1%から93.7%に向上させた。
ループされた点質量軌道の研究は、非常に攻撃的な動きで反重みがないことから、動きが遅くなるにつれてより強い補償に至る暫定的な交叉を与える。
これらのアクチュエータと動的結果は、物理的検証よりも工学的な結果の研究である。
関連論文リスト
- Hidden Boundary Motion in Transformer Optimization: Function-Space Orthogonalization of Affine Weight and Bias Updates [0.0]
我々は、この隠れたコントリビューション・ファンウンダリ・モーションと呼び、各更新をエンハンシェープ・コンポーネントと共有エンハンダリ・コンポーネントに分解する。
単座実験では、SBO-AdamWはバリデーション精度を81.68%から85.81%に引き上げ、バリデーション選択テスト精度を78.73%から82.73%に引き上げた。
論文 参考訳（メタデータ） (2026-07-24T21:51:43Z) - Federated Lightweight Fine-Tuning [1.552674656890411]
ファインチューニングのフェデレーションはコミュニケーションによってボトルネックとなる。
マッピングネットワークは、凍結したアフィンプロジェクションを通じて、小さなトレーニング可能なラテントからネットワークの重みを生成する。
マップは共有されアフィンであるため、潜伏量の平均は生成した重量を正確に平均化している。
ResNet-18+GroupNormのCIFAR-100では、1ラウンドあたり1,280フロート(5KB)を通信し、フルウェイトFedAvgの0.5pp以内で74.67%に達した。
論文 参考訳（メタデータ） (2026-07-20T07:03:03Z) - Quantifying Diversity of Thought: A Predictive Law of Weighted LLM Ensemble Lift [0.0]
本稿では,大規模言語モデルのアンサンブルにおいて,思考の多様性がもたらす上昇を計算するための実験的に検証された形式法について述べる。
2つの大学院レベルの科学ベンチマークで、10のオープンウェイトモデルから767,520の推論を検証した。
論文 参考訳（メタデータ） (2026-07-19T19:01:06Z) - Loss-Conditional PINNs for Parametric PDE Families [45.945826972787415]
物理インフォームドニューラルネットワーク(PINN)は、残差、境界、初期およびデータ損失の重み付けを最小化し、ODEとPDEの解を近似する。
我々は,Dosovitskiy と Djolonga (2020) の損失条件訓練を PDE-Residual 設定に適応させるLC-PINNを紹介した。
完全な物理情報しか持たないが、パラメトリックな家族の訓練も受けている。
論文 参考訳（メタデータ） (2026-06-03T04:02:10Z) - Bug or Feature$^2$: Weight Drift, Activation Sparsity and Spikes [53.726365933748134]
標準損失と正に偏りのある活性化関数の相互作用によって引き起こされる負の重みのドリフトを解析する。
79の構成にまたがるスパシティ・精度のトレードオフを特徴付けるとともに、$sim$70%のアクティベーション・スパシティよりも高い精度の崖を識別する。
論文 参考訳（メタデータ） (2026-05-17T21:29:20Z) - Model Compression with Exact Budget Constraints via Riemannian Manifolds [39.54576236079211]
トータルコスト予算の下で各NグループにKオプションの1つを割り当てることは、効率的なAIにおいて繰り返し発生する問題である。
我々は、ソフトマックス緩和の下で、予算制約がロジット空間における滑らかなリーマン多様体を異常に単純な幾何学で定義することを示す新しいアプローチを示す。
これらの特性に基づいて、接射影、二分探索リトラクション、運動量輸送を標準とするリーマン制約最適化(RCO)を提案する。
論文 参考訳（メタデータ） (2026-05-01T13:30:23Z) - Understanding and Enforcing Weight Disentanglement in Task Arithmetic [72.17785699918092]
私たちは、異なるタスクに異なる内部機能を割り当てるモデルの機能であるTask-Feature(TFS)を紹介します。
そこで我々はOrthoRegを提案する。OrthoRegはシンプルで効果的な正規化手法で、内部構造を重みに積極的に適用する。
論文 参考訳（メタデータ） (2026-04-18T17:34:56Z) - Multiple-play Stochastic Bandits with Prioritized Arm Capacity Sharing [52.124267908936396]
このモデルは、$M$armと$K$playで構成されている。
各アームには複数の能力があり、各ユニットの能力は報酬関数に関連付けられている。
複数のプレーがアームキャパシティを競う場合、アームキャパシティは第1の優先重みで割り当てられる。
論文 参考訳（メタデータ） (2025-12-25T11:19:09Z) - Correction of Decoupled Weight Decay [2.538209532048867]
我々は、分離重み崩壊$propto 2$は、更新が定常状態から独立になるという単純な仮定に基づいて、安定した重みノルムをもたらすと主張している。
分離したウェイト崩壊$propto 2$は、安定なウェイトと勾配ノルムをもたらし、トレーニングダイナミクスをよりよく制御し、モデル性能を向上させることができることを示す。
論文 参考訳（メタデータ） (2025-12-09T03:52:54Z) - Prediction-Augmented Mechanism Design for Weighted Facility Location [1.6552489352816389]
非一様重みを持つ戦略エージェントに対して、一貫性と堅牢性のバランスをとるための拡張アルゴリズムフレームワークを提供する。
重み付き FLP における$Oleft(n cdot fracW_maxW_min right)$Oleft(n cdot fracW_maxW_min right)$-robustness in weighted FLP, with fully predictions of all agent。
論文 参考訳（メタデータ） (2025-07-09T03:13:52Z) - Training with Quantization Noise for Extreme Model Compression [57.51832088938618]
与えられたモデルサイズに対する精度を最大化しながら、コンパクトなモデルを作成するという問題に取り組む。
標準的な解決策は、トレーニング中に重みが定量化され、勾配がストレート・スルー推定器に近似される量子化意識訓練(Quantization Aware Training)でネットワークをトレーニングすることである。
本稿では, この手法を, 極端な圧縮法を用いて, int8 の固定点量子化を超えて機能するように拡張する。
論文 参考訳（メタデータ） (2020-04-15T20:10:53Z)
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。