論文の概要: From Biological Curves to Soft Modular Robots: Learning-Based Inverse Design with Uncertainty-Guided Refinement

• arxiv url: http://arxiv.org/abs/2610.36681v2
• Date: Wed, 28 Oct 2026 02:26:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-30 22:39:27.5172
• Title: From Biological Curves to Soft Modular Robots: Learning-Based Inverse Design with Uncertainty-Guided Refinement
• Title（参考訳）: 生体曲線からソフトモジュールロボットへ:不確かさをガイドした逆設計学習
• Abstract要約: 既存のケーブル駆動モジュール型ソフトロボットは計算コストの高い物理モデルと逆設計の探索に依存している。 本稿では,生物曲線をロボットに変換する,学習に基づく実-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- 提案手法は,サロゲートによる評価により,93%の形状復元成功率を達成する。
• 参考スコア（独自算出の注目度）: 17.053777257540535
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Animals exhibit diverse shape-changing behaviors, from the undulatory swimming of eels to the arching movements of inchworms. Reproducing these biological shapes with modular soft robots offers a promising approach to developing versatile bioinspired robotic systems. However, translating a desired shape into a feasible robotic configuration remains challenging. Existing cable-driven modular soft robots rely on computationally expensive physics-based modeling and combinatorial search for inverse design, making it difficult to efficiently reproduce diverse target shapes. To address this challenge, we present a learning-based real-to-sim-to-real framework that translates biological curves into robotic configurations through surrogate-assisted inverse design and uncertainty-guided refinement. The proposed method combines learned inverse prediction with targeted candidate exploration, using a fast forward surrogate to evaluate and select suitable designs. The learned forward surrogate reduces deformation prediction time from $1.53 \times 10^5$ ms to 0.0008 ms, achieving approximately a $1.9 \times 10^8$-fold speedup. At the same time, the proposed inverse design method reduces design time from $1.99 \times 10^6$ ms to 4.18 ms. On 5,000 test samples generated from previously unseen threading patterns, the method achieves a 93% shape reconstruction success rate under surrogate-based evaluation. Physical demonstrations with four bioinspired robots further illustrate the translation of biological curves into realizable robotic shapes.
• Abstract（参考訳）: 動物はウナギの未熟な水泳からイチョウの群れの動きまで、様々な形を変える行動を示す。 モジュラーソフトロボットでこれらの生体形状を再現することは、多目的なバイオインスパイアされたロボットシステムの開発に有望なアプローチを提供する。 しかし、望ましい形状を実現可能なロボット構成に変換することは依然として困難である。 既存のケーブル駆動モジュール型ソフトロボットは、計算コストの高い物理モデルと逆設計の組合せ探索に依存しており、多様なターゲット形状を効率的に再現することは困難である。 この課題に対処するために,生物曲線をロボットに変換する学習ベースのリアルタイム・シミュレーション・トゥ・リアル・フレームワークを提案する。 提案手法は,学習した逆予測と対象候補探索を組み合わせ,高速フォワードサロゲートを用いて適切な設計を評価・選択する。 学習されたフォワードサロゲートは、変形予測時間を1.53 \times 10^5$ msから0.0008 msに短縮し、約1.9 \times 10^8$-foldスピードアップを達成する。 提案手法は,従来見つからなかったスレッディングパターンから生成された5,000個の試験試料に対して,サロゲートによる評価で93%の形状復元成功率を達成した。 4つのバイオインスパイアされたロボットによる物理的デモンストレーションは、生物曲線を実現可能なロボットの形に変換することをさらに示している。

関連論文リスト

• Toward Humanoid Brain-Body Co-design: Joint Optimization of Control and Morphology for Fall Recovery [55.951691393378354]
  フォールリカバリのためのスケーラブルなヒューマノイド共同設計フレームワークであるRoboCraftを提案する。 複数の設計にまたがって事前訓練された共有ポリシーは、ハイパフォーマンスな形態に対して徐々に微調整される。 実験の結果、RoboCraftは7つの公用ヒューマノイドロボットで平均44.55%のパフォーマンス向上を達成した。
  論文  参考訳（メタデータ） (2025-10-25T15:40:18Z)
• Evolution and learning in differentiable robots [0.0]
  我々は、異なるシミュレーションを用いて、多数の候補体計画において、行動の個々の神経制御を迅速かつ同時に最適化する。 個体群における各ロボットの機械的構造の変化は,探索の外ループに遺伝的アルゴリズムを適用した。 シミュレーションで発見された非常に微分可能な形態の1つは、物理ロボットとして実現され、その最適化された振る舞いを維持できた。
  論文  参考訳（メタデータ） (2024-05-23T15:45:43Z)
• DiffGen: Robot Demonstration Generation via Differentiable Physics Simulation, Differentiable Rendering, and Vision-Language Model [72.66465487508556]
  DiffGenは、微分可能な物理シミュレーション、微分可能なレンダリング、ビジョン言語モデルを統合する新しいフレームワークである。 言語命令の埋め込みとシミュレートされた観察の埋め込みとの距離を最小化することにより、現実的なロボットデモを生成することができる。 実験によると、DiffGenを使えば、人間の努力やトレーニング時間を最小限に抑えて、ロボットデータを効率よく、効果的に生成できる。
  論文  参考訳（メタデータ） (2024-05-12T15:38:17Z)
• DiffuseBot: Breeding Soft Robots With Physics-Augmented Generative Diffusion Models [102.13968267347553]
  本稿では,様々なタスクにおいて優れたソフトロボット形態を生成する物理拡張拡散モデルであるDiffuseBotを提案する。 我々は、その能力とともに、シミュレーションされた、そして製造された様々なロボットを紹介します。
  論文  参考訳（メタデータ） (2023-11-28T18:58:48Z)
• Reinforcement learning for freeform robot design [0.0]
  任意の外部構造と内部構造を持つ自由形ロボットを設計するためのポリシー勾配を示す。 これは、原子構造ブロックの束を堆積または除去して、付属物、臓器、空洞のような高いレベルの非パラメトリックマクロ構造を形成する作用によって達成される。
  論文  参考訳（メタデータ） (2023-10-09T12:39:44Z)
• Conditional Generative Models for Simulation of EMG During Naturalistic Movements [45.698312905115955]
  本稿では、運動単位活性化電位波形を生成するために、逆向きに訓練された条件付き生成ニューラルネットワークを提案する。 本研究では,より少ない数の数値モデルの出力を高い精度で予測的に補間できることを実証する。
  論文  参考訳（メタデータ） (2022-11-03T14:49:02Z)
• REvolveR: Continuous Evolutionary Models for Robot-to-robot Policy Transfer [57.045140028275036]
  本研究では,運動学や形態学など,異なるパラメータを持つ2つの異なるロボット間でポリシーを伝達する問題を考察する。 模倣学習手法を含む動作や状態遷移の分布を一致させることで、新しいポリシーを訓練する既存のアプローチは、最適な動作や/または状態分布が異なるロボットでミスマッチしているために失敗する。 本稿では,物理シミュレータに実装されたロボット政策伝達に連続的進化モデルを用いることで,$RevolveR$という新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-02-10T18:50:25Z)

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。