論文の概要: Learning a Resolution-Consistent Jacobian Field for Bio-Inspired Rigid-Soft Finger
- arxiv url: http://arxiv.org/abs/2610.01668v1
- Date: Thu, 01 Oct 2026 13:29:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:24.149391
- Title: Learning a Resolution-Consistent Jacobian Field for Bio-Inspired Rigid-Soft Finger
- Title（参考訳）: バイオインスパイアされたリジッドソフトフィンガーの高分解能ジャコビアン場学習
- Abstract要約: 本研究では,条件付きフローマッチング(CFM)に基づく構造化学習フレームワークを提案する。
腱駆動型軟質指を用いた実験により, 提案手法は外乱誤差を抑制し, 単段階予測精度を向上することを示した。
これらの結果は,学習フローに基づくジャコビアン場が,オフライン多段階軌道最適化に有効な局所モデルを提供することを示した。
- 参考スコア（独自算出の注目度）: 8.335088987099544
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Bio-inspired tendon-driven rigid-soft coupled dexterous fingers exhibit strong nonlinearity and configuration-dependent sensitivity, making accurate modeling challenging. In discrete-time control, Jacobian-based kinematic algorithms typically rely on point-wise local linear approximations, which makes their performance sensitive to sensor sampling frequency and controller update frequency. To address this issue, we propose Jacobian Flow Matching (JFM), a structured learning framework based on Conditional Flow Matching (CFM), to learn a resolution-consistent Jacobian field that models actuation-to-motion transitions as a dynamical flow. The proposed framework supports both single-step prediction and continuous rollout via ODE integration, enabling consistent inference across temporal resolutions. Experiments on a tendon-driven rigid-soft finger show that the proposed method suppresses outlier errors and improves single-step prediction accuracy, reducing the global average RMSE by over 53% compared with a baseline discrete Jacobian learning approach. For long-horizon prediction, trajectories recovered via ODE integration achieve higher fidelity under sparse sampling (Stride = 8), reducing the RMSE median by 14.43% and the error variance by 24.87%. These results demonstrate that the learned flow-based Jacobian field provides an effective local model for offline multi-step trajectory optimization in rigid-soft coupled nonlinear systems.
- Abstract（参考訳）: 生体インスパイアされた腱駆動型硬質軟質指は、強い非線形性と構成依存性の感度を示し、正確なモデリングを困難にしている。
離散時間制御では、ヤコビアンに基づくキネマティックアルゴリズムは、通常点方向の局所線形近似に依存しており、センササンプリング周波数やコントローラ更新周波数に敏感である。
この問題を解決するために,条件付きフローマッチング(CFM)に基づく構造化学習フレームワークであるJacobian Flow Matching (JFM)を提案する。
提案するフレームワークは、単一ステップの予測とODE統合による継続的ロールアウトの両方をサポートし、時間分解における一貫した推論を可能にする。
腱駆動型軟質指を用いた実験により,提案手法は外乱誤差を抑え,単段階予測精度を向上し,平均RMSEを53%以上削減することを示した。
長い水平方向の予測では、ODE積分によって回収された軌跡はスパースサンプリング(Stride = 8)の下で高い忠実度を達成し、RMSE中央値が14.43%、誤差分散が24.87%減少する。
これらの結果は、学習フローに基づくジャコビアン場が、剛性-ソフト結合非線形系におけるオフライン多段階軌道最適化に有効な局所モデルを提供することを示した。
関連論文リスト
- ibUMAP: Coherent and Scalable Field Evaluation for UMAP Optimization [25.988922514101564]
負のサンプリングによるUMAPレイアウトの最適化は、再実行と下流の再利用に不安定な埋め込みをもたらす可能性がある。
ibUMAPは、共有埋め込みスナップショットからアトラクションと反発を評価し、同期的に適用するコヒーレントフィールドベースの代替手段である。
論文 参考訳（メタデータ） (2026-10-01T10:41:55Z) - Adaptive Linear Path Model-Based Diffusion [52.84663832658799]
リニアパスモデルベース拡散(LP-MBD)を導入し、分散保存スケジュールをフローマッチング線形確率パスに置き換える。
また,適応型LP-MBD(ALP-MBD)を提案し,タスクの複雑さや環境条件に応じて拡散ステップやノイズレベルを調整する。
論文 参考訳（メタデータ） (2026-02-02T21:33:03Z) - Noise-Robust Tiny Object Localization with Flows [63.60972031108944]
フレキシブルなエラーモデリングと不確実性誘導最適化に正規化フローを活用するノイズローバストローカライゼーションフレームワークを提案する。
本手法は,フローベース誤差モデルを用いて,複雑な非ガウス予測分布を抽出し,ノイズの多い監視下で頑健な学習を可能にする。
不確実性を考慮した勾配変調機構は、トレーニングを安定化しながら過度な適合を緩和し、高不確実でノイズの強いサンプルからの学習をさらに抑制する。
論文 参考訳（メタデータ） (2026-01-02T09:16:55Z) - Guided Path Sampling: Steering Diffusion Models Back on Track with Principled Path Guidance [5.814544128372275]
本稿では,反復的改善のための新しいパラダイムとしてガイドパスサンプリング(GPS)を提案する。
GPSは不安定な外挿を、データ多様体上のサンプリングパスが残るように、原理化された、多様体に制約されたものに置き換える。
GPSは、知覚品質と複雑なプロンプト順守の両方において、既存の手法より優れています。
論文 参考訳（メタデータ） (2025-12-28T11:12:56Z) - Robust Variational Model Based Tailored UNet: Leveraging Edge Detector and Mean Curvature for Improved Image Segmentation [7.638424494500011]
本稿では,変分モデルに基づくUNet(VM_TUNet)の頑健なバージョンを提案する。
VM_TUNetは、変分メソッドとディープラーニングを統合するハイブリッドフレームワークである。
3つのベンチマークデータセットを用いた実験により,提案手法は性能と計算効率のバランスの取れたトレードオフを実現することが示された。
論文 参考訳（メタデータ） (2025-12-08T14:33:52Z) - Scalable, Explainable and Provably Robust Anomaly Detection with One-Step Flow Matching [14.503330877000758]
Time-Conditioned Contraction Matching is a novel method for semi-supervised anomaly detection in tabular data。
これは、確率分布間の速度場を学習する最近の生成モデリングフレームワークであるフローマッチングにインスパイアされている。
ADBenchベンチマークの大規模な実験により、TCCMは検出精度と推論コストのバランスが良好であることが示されている。
論文 参考訳（メタデータ） (2025-10-21T06:26:38Z) - Efficient Federated Learning with Heterogeneous Data and Adaptive Dropout [62.73150122809138]
Federated Learning(FL)は、複数のエッジデバイスを使用したグローバルモデルの協調トレーニングを可能にする、有望な分散機械学習アプローチである。
動的不均一モデルアグリゲーション(FedDH)と適応ドロップアウト(FedAD)の2つの新しい手法を備えたFedDHAD FLフレームワークを提案する。
これら2つの手法を組み合わせることで、FedDHADは精度(最大6.7%)、効率(最大2.02倍高速)、コスト(最大15.0%小型)で最先端のソリューションを大幅に上回っている。
論文 参考訳（メタデータ） (2025-07-14T16:19:00Z) - Solving Inverse Problems with FLAIR [68.87167940623318]
本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。
標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
論文 参考訳（メタデータ） (2025-06-03T09:29:47Z) - Efficient Sampling for Data-Driven Frequency Stability Constraint via Forward-Mode Automatic Differentiation [5.603382086370097]
本稿では,フォワードモード自動微分による勾配データ生成手法を提案する。
この方法では、元の力学系は、元の状態の感度のダイナミクスを表す新しい状態で拡張される。
提案アルゴリズムは, 非線形微分法と有限差分法と比較して, サンプリングアルゴリズムの優れた性能を示す。
論文 参考訳（メタデータ） (2024-07-21T03:50:11Z) - Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。
EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。
得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
論文 参考訳（メタデータ） (2023-12-10T15:22:30Z)
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。