日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

逆動力学/物理情報NNarXiv:2506.17994

ニュートン型とラグランジュ型ニューラルネットワーク:効率的な逆動力学同定に向けた比較

Newtonian and Lagrangian Neural Networks: A Comparison Towards Efficient Inverse Dynamics Identification

シェア:XThreadsFacebookLINEはてブBluesky

産業用ロボットの逆動力学同定において、ニュートン型とラグランジュ型の物理情報ニューラルネットワークを比較し、モータトルク推定時には散逸トルクを明示的にモデル化しないラグランジュ型が劣ることを示した。

詳しい要約

1. どんなもの?

- 産業用ロボットの逆動力学モデルを対象に、Neural Network regression と解析的運動方程式を組み合わせた2種の physics-informed モデルを比較した研究 - Newtonian neural network: Newton-Euler 方程式の逆動力学定式化を NN 回帰と統合 - Lagrangian neural network: Euler-Lagrange 方程式の逆動力学定式化を NN 回帰と統合 - 目的は解析式中の未知パラメータをデータから同定すること - 両モデルの選択指針が文献に無いことを問題視し、比較検討を行う - 比較対象として通常の Neural Network regression も用いる

2. 先行研究と比べてどこがすごい?

- 従来研究は Newton-Euler 系と Euler-Lagrange 系の physics-informed NN をそれぞれ提案してきたが、両者を直接比較した指針は無かった - 本研究は同一の産業用ロボット(MABI MAX 100)上で Newtonian networks と Lagrangian networks、および通常の NN 回帰を比較 - 特に motor torques を推定する設定(関節トルクを直接計測しない場合)に着目した点が新しい - その設定では Lagrangian networks が dissipative torques を陽にモデル化しないため Newtonian networks より有効性が低いことを示した

3. 技術・手法の肝は?

- Newton-Euler 方程式に基づく逆動力学式と NN 回帰を組み合わせた Newtonian neural network を構築 - Euler-Lagrange 方程式に基づく逆動力学式と NN 回帰を組み合わせた Lagrangian neural network を構築 - いずれも解析式中の未知項をデータから学習する physics-informed な枠組み - 比較の基準として通常の Neural Network regression を用いる - 関節トルクを直接計測せず motor torques を推定する条件で評価

4. どうやって有効だと検証した?

- MABI MAX 100 産業用ロボットのデータを用いて3手法の性能を比較 - motor torques を推定する設定で Lagrangian networks の有効性が低下することを確認 - 具体的な評価指標・データ収集条件・誤差数値は要旨からは不明

5. 議論はある?

- motor torques 推定時には dissipative torques の陽なモデル化の有無が性能差を生むと考察 - Lagrangian networks は dissipative torques を陽に扱わないため Newtonian networks に劣ると結論 - 逆動力学同定におけるモデル選択の指針を与える点が議論の中心 - 限界や今後の課題の詳細は要旨からは不明

6. 次に読むべき論文は?

- Newtonian neural networks および Lagrangian neural networks の原論文(physics-informed NN による逆動力学同定) - Newton-Euler 方程式・Euler-Lagrange 方程式に基づく逆動力学同定の古典的手法 - dissipative torques(摩擦・散逸)モデリングに関する研究 - Neural Network regression によるロボット逆動力学同定の比較研究

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Minh Trinh, Andreas René Geist, Josefine Monnet, Stefan Vilceanu, Sebastian Trimpe, Christian Brecher

分類: cs.RO, cs.LG

原文アブストラクト

Accurate inverse dynamics models are essential tools for controlling industrial robots. Recent research combines neural network regression with inverse dynamics formulations of the Newton-Euler and the Euler-Lagrange equations of motion, resulting in so-called Newtonian neural networks and Lagrangian neural networks, respectively. These physics-informed models seek to identify unknowns in the analytical equations from data. Despite their potential, current literature lacks guidance on choosing between Lagrangian and Newtonian networks. In this study, we show that when motor torques are estimated instead of directly measuring joint torques, Lagrangian networks prove less effective compared to Newtonian networks as they do not explicitly model dissipative torques. The performance of these models is compared to neural network regression on data of a MABI MAX 100 industrial robot.

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI