論文の概要: Controlling Continuum Robot Shape in Enclosed Space with Embedded Sensing using IMU and Actuator Feedback
- arxiv url: http://arxiv.org/abs/2610.39055v1
- Date: Wed, 28 Oct 2026 23:32:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-03 08:00:13.279342
- Title: Controlling Continuum Robot Shape in Enclosed Space with Embedded Sensing using IMU and Actuator Feedback
- Title（参考訳）: IMUとアクチュエータフィードバックを用いた埋め込みセンシングによる閉鎖空間における連続ロボット形状制御
- Abstract要約: ニューラルネットワークで連続ロボット形状を再構成するために、容易に利用可能なIMUとアクチュエータフィードバックを利用する組込み形状センシングフレームワークを提案する。
クローズドループ制御では、1セグメントのチップトラッキングは6.1%L$エラーを達成し、3セグメントの形状制御は2.3%L$グローバルな形状誤差を達成している。
- 参考スコア（独自算出の注目度）: 1.8799303827638127
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Controlling continuum robots' shape to operate in confined, enclosed environments is challenging, since it cannot rely on external observation. Existing embedded shape sensing methods, although they can provide shape reconstruction, are insufficient to enable real-time shape control due to limitations in reconstruction accuracy, computational speed, and compatibility with shape-state representation. In this work, we present an embedded shape-sensing framework that uses readily available IMU and actuator feedback to reconstruct the continuum-robot shape with a neural network, providing accurate shape feedback at $400~\mathrm{Hz}$ for physical closed-loop control. We systematically investigate four key reconstruction design choices: shape-state representation, network architecture, training objective, and sensing inputs, through more than $5{,}000$ trained models on one- and three-segment continuum robots. The selected framework achieves global shape errors of $0.9\%L$ and $1.7\%L$ (of the robot length) for the one- and three-segment systems, respectively. In closed-loop control, one-segment tip tracking achieves a $6.1\%L$ error and three-segment shape control achieves a $2.3\%L$ global shape error, whereas IMU--PCC reconstruction using the same uncompensated measurements fails. Enclosed-space experiments further demonstrate operation without external observation. These results provide a practical framework for translating readily available embedded sensing into high-rate feedback for continuum robot closed-loop control.
- Abstract（参考訳）: 連続ロボットの形状を制御して密閉された環境で動作させることは、外部観測に頼らないため困難である。
既存の形状認識手法では形状再構成が可能であるが, 再現精度, 計算速度, 形状状態表現との整合性などの制約により, リアルタイム形状制御を実現するには不十分である。
本研究は,ニューラルネットワークによる連続ロボット形状の再構成に,容易に利用可能なIMUとアクチュエータフィードバックを用いて,400〜\mathrm{Hz}$の正確な形状フィードバックを提供する組込み形状センシングフレームワークを提案する。
我々は, 形状状態表現, ネットワークアーキテクチャ, トレーニング目標, 入力の4つの重要な再構成設計選択を, 1段連続ロボットと3段連続ロボットの5,000ドル以上のトレーニングモデルを用いて体系的に検討した。
選択したフレームワークは、それぞれ1セグメントと3セグメントのシステムに対して、0.9\%L$と1.7\%L$のグローバルな形状誤差を達成している。
クローズドループ制御では、1セグメントのチップトラッキングは6.1\%L$エラーを達成し、3セグメントの形状制御は2.3\%L$グローバルな形状誤差を達成する。
閉ざされた宇宙実験は、外部の観測を伴わない操作を更に実証する。
これらの結果は、連続ロボット閉ループ制御のための高速フィードバックに、容易に利用できる組込みセンシングを変換するための実用的なフレームワークを提供する。
関連論文リスト
- Real-Time Shape Control of Multi-Segment Soft Robotic Arms Using Koopman Operators with Global and Local Observables [12.944601010948404]
グローバル・オブザーバブルとローカル・オブザーバブルを組み合わせたKoopmanベースのモデル予測制御フレームワークを提案する。
提案フレームワークは,マルチセグメントソフトロボットアームの動的,スケーラブル,高精度な形状制御を実現する。
論文 参考訳（メタデータ） (2026-09-02T21:36:13Z) - KineBench: Benchmarking Embodied World Models via IDM-Free Kinematic Grounding [58.541098216700796]
エンボディド・ワールド・モデルの 物理的整合性を評価することは 重要なオープン・チャレンジです
既存のフレームワークはほとんどがアクション抽出に逆ダイナミクスモデル(IDM)に依存している。
IDMのないEWMのためのクローズドループベンチマークであるKineBenchを紹介する。
論文 参考訳（メタデータ） (2026-07-22T08:04:17Z) - Machine Learning-Based Reconstruction for Resistive Silicon Sensors [53.365453214937496]
抵抗型シリコンセンサの機械学習による再構成と圧縮について検討した。
相関パッドからのフルウェーブフォーム情報を用いて、再構成を規則化し、空間情報を抽出する。
まず、LSTM層に基づくリカレントニューラルネットワークモデルを紹介し、フルウェーブフォーム再構成のための概念実証実装を提供する。
論文 参考訳（メタデータ） (2026-07-13T14:03:26Z) - Visual Geometry Transformer in the Wild: Distractor-Free 3D Reconstruction [77.75911117889915]
現在のエンドツーエンドのマルチビュー3D再構成手法は、目覚ましい結果を得るが、制限的な静的仮定に依存している。
この理想的な入力への依存は、最も高度なメソッドでさえ、現実世界の設定で失敗する原因となる。
非一貫性の視点から頑健な再構築を行うためのエンドツーエンドフレームワークであるWildにおけるビジュアルジオメトリトランスフォーマーを提案する。
論文 参考訳（メタデータ） (2026-06-22T02:52:22Z) - ELAN4D: Embodiment-Centric 4D Supervision for Vision-Language-Action Models via Plug-and-Play Adaptation [63.617951135459016]
VLA(Vision-Language-Action)モデルでは、ロボット操作が約束されているが、既存のほとんどのポリシーは、現在の観測からアクションを直接回帰することで、反応する。
ELAN4Dは,将来のロボットキートラックによるポリシーを予測的時間的監視として強化する,実施中心の4D対応トレーニングフレームワークである。
論文 参考訳（メタデータ） (2026-05-28T19:03:30Z) - Sampling-Based Follow-the-Leader Motion Planning for Manipulator-Mounted Continuum Robots [4.355077219923408]
FTL(Follow-the- Leader)運動は、連続体ロボット(CR)のユニークな形態を利用して、体が先端の経路を追従することで、閉じ込められた空間をナビゲートする。
本稿では,ロボット構成とベースポーズを協調的に考慮したマニピュレータ搭載CRのFTL動作のためのサンプリングベースモーションプランナを提案する。
論文 参考訳（メタデータ） (2026-05-12T06:46:13Z) - Zero Shot Deformation Reconstruction for Soft Robots Using a Flexible Sensor Array and Cage Based 3D Gaussian Modeling [13.363052557818968]
ゼロショットの変形再構成は、変形データを収集したり、配置中に再トレーニングを行うことなく、オブジェクト全体の変形を未確認のソフトロボットに推測する能力として定義される。
提案フレームワークは, フレキシブルピエゾ抵抗型センサアレイと幾何学的, ケージに基づく3次元ガウス変形モデルを統合する。
0.67 IoU、0.65 SSIM、および3.48mmのチャンファー距離を達成し、触覚センシングと構造変形の明示的な結合による強いゼロショットの一般化を示す。
論文 参考訳（メタデータ） (2026-03-20T00:56:39Z) - Ada3Drift: Adaptive Training-Time Drifting for One-Step 3D Visuomotor Robotic Manipulation [53.750389076941396]
拡散に基づくビジュモータポリシーは反復的認知を通じて多モーダルな動作分布をキャプチャするが、その高い推論遅延はリアルタイムロボット制御を制限する。
Ada3Driftは,専門家のデモモードに対して予測された行動を引き付ける訓練時間ドリフト場を学習する。
Ada3Driftは、拡散ベースの代替よりも10倍の関数評価を必要としながら、最先端のパフォーマンスを実現している。
論文 参考訳（メタデータ） (2026-03-12T14:36:53Z) - Shape-Interpretable Visual Self-Modeling Enables Geometry-Aware Continuum Robot Control [10.253290204273094]
連続ロボットは高い柔軟性と冗長性を持ち、複雑な環境での安全な相互作用に適している。
既存の視覚に基づく制御アプローチは、しばしばエンドツーエンドの学習に依存し、ロボット幾何学を明確に認識せずに形状制御を達成する。
本稿では,幾何認識制御が可能な連続ロボットのための形状解釈可能な視覚自己モデリングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-02T11:20:28Z) - 3D Shape Control of Extensible Multi-Section Soft Continuum Robots via Visual Servoing [3.9985620702988602]
連続体マニピュレータの全身形状を制御できる視覚制御アルゴリズムを提案する。
提案する制御アルゴリズムは,ロボット全体の体構成を制御し,運動学的冗長性を活用する。
我々のモデルに基づく2.5D形状のビジュアルサーボは、ロボットの3Dワークスペースにグローバルに安定した収束を提供する。
論文 参考訳（メタデータ） (2026-02-22T17:06:16Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳（メタデータ） (2020-07-28T07:34:30Z)
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。