論文の概要: FEM-Validated Real-Time Modelling of Soft Tactile Deformation
- arxiv url: http://arxiv.org/abs/2610.16667v1
- Date: Mon, 12 Oct 2026 12:15:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-18 21:57:01.59964
- Title: FEM-Validated Real-Time Modelling of Soft Tactile Deformation
- Title（参考訳）: ソフト触覚変形のFEM-Validated Real-Time Modeling
- Abstract要約: 本稿では,2次元触覚変形の正確なリアルタイム予測のために,限られた実世界の検証,高忠実度FEM,グラフニューラルネットワーク(GNN)を組み合わせたデータ効率フレームワークを提案する。
検証されたFEMは、90%以上の検証ケースで0.5mm以下の誤差を達成し、学習されたGNNサロゲートはミリ秒スケールの推論で平均0.32mmの絶対誤差に達する。
- 参考スコア（独自算出の注目度）: 4.90788827462522
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate modelling of soft tactile sensors remains difficult because finite element methods (FEM) are computa- tionally expensive, while real-time simulators often lack fidelity for hyperelastic deformation. Large physical datasets are also impractical to collect because repeated testing can damage fragile sensors. We present a data-efficient framework that combines limited real-world validation, high-fidelity FEM, and graph neural networks (GNNs) for accurate real-time prediction of two-dimensional tactile deformation in a planar soft tactile structure. The key idea is to decouple validation from training: 82 camera-tracked contact configurations are used only to tune and validate an ANSYS FEM model, which then generates 768 synthetic contact scenarios for GNN training. We evaluate both forward prediction from marker deformation to contact localisation and inverse inference from contact configuration to marker deformation. The validated FEM achieves sub-0.5 mm error in more than 90% of validation cases, while the learned GNN surrogate reaches a mean absolute error of 0.32 mm with millisecond-scale inference, compared with minute-scale FEM simulation. Models trained entirely on synthetic FEM data retain sub-millimetre accuracy on real measurements from the 2D tactile structure, demonstrating strong sim-to-real transfer within the tested planar setting. We further integrate the learned model into a real-time visualisation pipeline, enabling rapid deformation prediction for virtual prototyping and simulator-based design exploration without extensive physical testing.
- Abstract（参考訳）: 有限要素法(有限要素法)(FEM)は極端に高価であるため、ソフト触覚センサの正確なモデリングは難しいが、リアルタイムシミュレータは超弾性変形の忠実さを欠いていることが多い。
大規模な物理データセットは、繰り返しテストが脆弱なセンサーにダメージを与える可能性があるため、収集も現実的ではない。
本研究では,平面型ソフト触覚構造における2次元触覚変形の正確なリアルタイム予測のために,限られた実世界検証,高忠実FEM,グラフニューラルネットワーク(GNN)を組み合わせたデータ効率フレームワークを提案する。
82のカメラトラッキングされた接触構成は、ANSYS FEMモデルのチューニングと検証にのみ使用され、GNNトレーニングのために768の合成接触シナリオを生成する。
マーカー変形から接触局所化への前方予測と接触形状からマーカー変形への逆推論の両方を評価する。
検証されたFEMは、90%以上の検証ケースで0.5mm以下の誤差を達成し、学習されたGNNサロゲートは、ミリ秒スケールの推測で0.32mmの平均絶対誤差に達する。
合成FEMデータに基づいて完全に訓練されたモデルは、2次元触覚構造からの実測値にサブミリメートルの精度を保ち、試験された平面配置内で強いシミュレートと現実の移動を示す。
さらに、学習したモデルをリアルタイム可視化パイプラインに統合し、仮想プロトタイピングのための高速な変形予測とシミュレータに基づく設計探索を実現する。
関連論文リスト
- Should I Use This Synthetic Dataset for Training? How to Test with Minimal Real Data [73.19814469893088]
デジタルツインと学習された世界モデルは、エンジニアリングシステムにおける人工知能(AI)モデルのトレーニングに利用可能な、少ない実際のデータセットを増大させる合成データを生成するために、ますます使われています。
本稿では,拡張データセットのトレーニングが真の,人口レベルのパフォーマンスを向上する一方で,実際のテストデータポイントを可能な限り少なく消費するかどうかを論じる。
合成データ分類タスク、DT支援無線パケットスケジューリングタスク、および無線マップ予測タスクにおいて、aeSFTは平均ベースのシーケンシャルテストよりもはるかに少ない実検サンプルを用いて有用な合成データを識別することを示す。
論文 参考訳（メタデータ） (2026-08-28T07:05:38Z) - SeT-Diff: Towards Semantic Foundation Models for HPC Telemetry and Time-Series [1.6138291258655066]
HPCの現在の機械学習アプローチとそのテレメトリは、単一のタスクに適した匿名の固定位置センサー変数の静的サブセットに依存している。
本稿では,ノードテレメトリと時系列データの最初の基礎モデルであるSeT-Diffを提案する。
実世界のスーパーコンピュータデータセットの実験では、復元作業における平均絶対誤差(MAE)が0.0470であることを示した。
論文 参考訳（メタデータ） (2026-05-11T00:43:50Z) - Design and Validation of a Lightweight 1D CNN for Affective Touch Classification in Soft Plush Companions [59.49967357689445]
ソフトなセンサー付きコンパニオンは、社会的支援技術のための物理的に安全で感情的に直感的なインターフェースを提供する。
本研究では,ソフト・インタラクティブ・コンパニオンにおける感情的触覚認識のためのディープラーニングモデルの開発と検証を目的とした,オープンソースで拡張されたリアルタイムフレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-16T10:20:05Z) - SIM1: Physics-Aligned Simulator as Zero-Shot Data Scaler in Deformable Worlds [36.87909899472009]
本稿では,物理世界におけるシミュレーションを基盤とした物理対応の実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
このシステムは、シーンをメートル法に一貫性のある双子にデジタル化し、弾性モデリングによって変形可能なダイナミクスをキャラブレートし、拡散に基づく軌道生成によって振る舞いを拡大する。
実験により、純粋に合成データに基づいてトレーニングされたポリシーは、実データベースラインと1:15の等価比で同等であり、実世界の展開において90%のゼロショット成功と50%の一般化をもたらすことが示された。
論文 参考訳（メタデータ） (2026-04-09T17:59:52Z) - SOFTMAP: Sim2Real Soft Robot Forward Modeling via Topological Mesh Alignment and Physics Prior [21.30232105970865]
SOFTMAPは、腱作動型ソフトフィンガーマニピュレータのリアルタイム3次元フォワードモデリングのためのsim-real learning frameworkである。
我々は、シミュレーションにおいて、シミュレーションと物理ハードウェアの両方でSOFTMAPを評価し、チャンファー距離0.389mmの形状予測精度を達成した。
この結果から,SOFTMAPはソフトマニピュレータの3次元フォワードモデリングと制御にデータ効率のよいアプローチを提供することがわかった。
論文 参考訳（メタデータ） (2026-03-19T18:21:44Z) - Data assimilation and discrepancy modeling with shallow recurrent decoders [2.47593085771929]
シャローリカレントデコーダ(DA-SHRED)を用いたデータ同化のための機械学習フレームワークを提案する。
提案アルゴリズムは, 非線形力学に基づく回帰モデルのスパース同定を潜時空間に組み込んで, シミュレーションモデルに欠落するダイナミクスに対応する関数を同定する。
DA-SHREDはSIM2REALのギャップを埋めることに成功し、高度に複雑なシステムにおいて欠落するダイナミクスを回復することを示した。
論文 参考訳（メタデータ） (2025-12-01T01:01:48Z) - LSM-2: Learning from Incomplete Wearable Sensor Data [65.58595667477505]
本稿では,Adaptive and Inherited Masking (AIM)を用いた第2世代Large Sensor Model (LSM-2)を紹介する。
AIMは明示的な計算を必要とせず、不完全なデータから直接堅牢な表現を学習する。
AIMを用いた LSM-2 は, 分類, 回帰, 生成モデルなど, 多様なタスクにまたがる最高の性能を実現する。
論文 参考訳（メタデータ） (2025-06-05T17:57:11Z) - Iterative Sizing Field Prediction for Adaptive Mesh Generation From Expert Demonstrations [49.173541207550485]
Adaptive Meshing By Expert Reconstruction (AMBER) は模倣学習問題である。
AMBERは、グラフニューラルネットワークとオンラインデータ取得スキームを組み合わせて、専門家メッシュの投影されたサイズフィールドを予測する。
我々は、人間の専門家が提供した2Dメッシュと3Dメッシュ上でAMBERを実験的に検証し、提供されたデモと密に一致し、シングルステップのCNNベースラインを上回った。
論文 参考訳（メタデータ） (2024-06-20T10:01:22Z) - Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。
我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。
高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
論文 参考訳（メタデータ） (2024-03-25T11:29:32Z)
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。