論文の概要: Learning-Based Pressure Predictive Control of a Vertebraic Soft Robotic Tail

• arxiv url: http://arxiv.org/abs/2609.30479v1
• Date: Thu, 24 Sep 2026 19:18:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.116833
• Title: Learning-Based Pressure Predictive Control of a Vertebraic Soft Robotic Tail
• Title（参考訳）: 学習用ソフトロボットの圧力予測制御
• Abstract要約: 脊椎軟部ロボット尾の運動制御と四足歩行ロボットとの協調のためのLSTMに基づく圧力予測制御を提案する。 PPCのシミュレーション軌道の平均RMSEは、目標軌道を実行すると69.8%減少する。 PPCは、非静電気制御と準静電気制御の両方にソフトテールをモデル化し、ソフトテールを環境と相互作用する機能を4倍にすることで、簡便で効果的な手法を提供する。
• 参考スコア（独自算出の注目度）: 5.726078024413389
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Soft robots have attracted much attention for their safe human-robot interaction and flexibility, but the typical continuum structure and nonlinear material behavior make the kinematics modelling complex, especially in non-static motions. In this work, we proposed an LSTM-based pressure predictive control (PPC) for the motion control of a vertebraic soft robotic tail and the coordination with a quadruped robot. The PPC consists of an inverse kinematics (IK) model, a forward kinematics (FK) model and a pressure compensation (P-comp) model, and achieves non-static and quasi-static motion control of the tail. Compared with the IK-only model, the average RMSE of the PPC's simulation trajectories reduces by 69.8%, when executing target trajectories. In the coordinated motions of the soft tail quadruped, using a prediction data set to train the PPC enables next-moment action prediction and reduces computation time by 60.9%, which enhances the real-time response of the tail to match the quadruped torso's moving rate. The PPC provides a simple and effective method to model the soft tail for both non-static and quasi-static motion control, and grants the soft tail quadruped with the functionality of interacting with the environment.
• Abstract（参考訳）: ソフトロボットは安全な人間-ロボットの相互作用と柔軟性に多くの注目を集めているが、典型的な連続構造と非線形材料挙動は、特に非定常運動において、キネマティクスのモデリングを複雑にしている。 本研究では,脊椎軟部ロボット尾の運動制御と四足歩行ロボットとの協調のためのLSTMに基づく圧力予測制御(PPC)を提案する。 PPCは、逆キネマティクス(IK)モデル、前方キネマティクス(FK)モデル、圧力補償(P-comp)モデルで構成され、尾部の非静的および準静的な運動制御を実現する。 IKのみのモデルと比較すると、PPCのシミュレーション軌道の平均RMSEは目標軌道の実行時に69.8%減少する。 ソフトテールの協調動作では、PPCを訓練するための予測データセットを用いて、次モーメント動作予測を可能にし、計算時間を60.9%削減し、四重化トルソの移動速度に合わせるためにテールのリアルタイム応答を高める。 PPCは、非静電気制御と準静電気制御の両方にソフトテールをモデル化し、ソフトテールを環境と相互作用する機能を4倍にすることで、簡便で効果的な手法を提供する。

関連論文リスト

• Language-Guided Terrain-Adaptive Neural MPC for Autonomous Traversal of Articulated Tracked Robots [8.853718687352151]
  都市での捜索と救助では、追跡されたロボットは構造的だが接触に富んだ環境を横切る必要がある。 本稿では,言語誘導型ニューラルキネマティクスモデル予測制御フレームワークであるASTRIL-MPCを提案する。 その結果、地形条件付きニューラルキネマティクス、最適化ベースの計画、言語誘導型適応を組み合わせることで、音声追従型ロボットにおけるデータ効率とロバストな自律性が得られることが示唆された。
  論文  参考訳（メタデータ） (2026-09-11T17:17:52Z)
• A Replay-Constrained Simulation Framework for Personalization of Powered Knee--Ankle Prosthesis Controllers [11.765906112645466]
  電動義足用インピーダンスコントローラのパーソナライズは、個々の歩行を調節するために重要であるが、依然として困難である。 MuJoCoをベースとしたシミュレーターは、記録されたヒップキネマティクスとフィードバックに基づくグラウンド反応力を再生しながら、人工膝関節の力学を再現する。 深部強化学習政策は、両関節における相依存性の剛性、減衰、平衡角を同時にパーソナライズする。
  論文  参考訳（メタデータ） (2026-07-24T18:59:48Z)
• 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)
• Towards Dynamic Model Identification and Gravity Compensation for the dVRK-Si Patient Side Manipulator [6.433947788491395]
  最近導入されたdVRK-Siは再設計された患者側マニピュレータ (PSM) を備えており、より大きな重力負荷を備えている。 本稿では,dVRK-Si PSMのためのキネマティックおよび動的モデリングフレームワークについて述べる。 物理的dVRK-Siの実験では、重力補償が定常的な関節の誤差を68-84%減少させることが示された。
  論文  参考訳（メタデータ） (2026-03-12T16:06:16Z)
• Dynamic Modeling and MPC for Locomotion of Tendon-Driven Soft Quadruped [0.0]
  SLOT(Soft Legged Omnidirectional Tetrapod)は3DプリントされたTPU脚を持つ腱駆動の柔らかい四足歩行ロボットである。 各脚は離散コッサートロッド理論を用いて変形可能な連続体としてモデル化される。 モジュラー・ボディ・モデリング・フレームワークが導入され、従順な脚のダイナミクスが表現される。
  論文  参考訳（メタデータ） (2026-02-18T11:14:22Z)
• Physical Autoregressive Model for Robotic Manipulation without Action Pretraining [65.8971623698511]
  我々は、自己回帰ビデオ生成モデルを構築し、物理自己回帰モデル(PAR)を提案する。 PARは、アクション事前トレーニングを必要とせず、物理力学を理解するために、ビデオ事前トレーニングに埋め込まれた世界の知識を活用する。 ManiSkillベンチマークの実験は、PARがPushCubeタスクで100%の成功率を達成したことを示している。
  論文  参考訳（メタデータ） (2025-08-13T13:54:51Z)
• Spatial-Temporal Graph Diffusion Policy with Kinematic Modeling for Bimanual Robotic Manipulation [88.83749146867665]
  既存のアプローチは、遠く離れた次のベストなエンドエフェクタのポーズを予測するポリシーを学びます。 すると、運動に対する対応する関節回転角を逆運動学を用いて計算する。 本稿では,Kinematics 拡張空間テンポアル gRaph diffuser を提案する。
  論文  参考訳（メタデータ） (2025-03-13T17:48:35Z)
• Real-time Neural-MPC: Deep Learning Model Predictive Control for Quadrotors and Agile Robotic Platforms [59.03426963238452]
  モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。 ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
  論文  参考訳（メタデータ） (2022-03-15T09:38:15Z)

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。