日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

マニピュレーションarXiv:2510.02975

複数IMUセンサフュージョンによる柔軟マニピュレータのAI強化運動学モデリング

AI-Enhanced Kinematic Modeling of Flexible Manipulators Using Multi-IMU Sensor Fusion

シェア:XThreadsFacebookLINEはてブBluesky

複数の安価なIMUとPSO最適化相補フィルタ、RBFNN補償を組み合わせ、柔軟マニピュレータの位置・姿勢を高精度に推定する手法を提案した。

詳しい要約

1. どんなもの?

- 柔軟マニピュレータの鉛直運動中の位置・姿勢を複数の IMU で推定する枠組み - 柔軟リンクを剛体セグメント列としてモデル化 - accelerometer と gyroscope から関節角を推定 - complementary filter で融合し、PSO でパラメータ最適化 - RBFNN で残差補正 - 低コスト IMU を用いた知的マルチ IMU 運動学推定法を提案

2. 先行研究と比べてどこがすごい?

- 低コスト IMU を複数用いる点が特徴 - 単一センサではなく multi-IMU sensor fusion を採用 - complementary filter のパラメータを PSO で最適化し、ノイズと遅延を軽減 - RBFNN による残差補償を追加 - 具体的な先行研究との比較は要旨からは不明

3. 技術・手法の肝は?

- 柔軟リンクを剛体セグメントの系列として近似 - accelerometer と gyroscope の測定から関節角を推定 - complementary filter でセンサ融合 - particle swarm optimization (PSO) でフィルタパラメータを最適化 - radial basis function neural networks (RBFNN) で位置・姿勢の残差誤差を補償 - ground truth データで最適化・キャリブレーション

4. どうやって有効だと検証した?

- 実験により提案する intelligent multi-IMU kinematic estimation method の有効性を検証 - RMSE は y で 0.00021 m、z で 0.00041 m、θ で 0.00024 rad - 具体的な実験条件や比較対象は要旨からは不明

5. 議論はある?

- ノイズと遅延の軽減を PSO 最適化で図る点に議論の余地 - RBFNN による残差補償の寄与や汎化性は要旨からは不明 - 鉛直運動以外への適用可能性は要旨からは不明 - 低コスト IMU の実用性に関する議論は要旨からは不明

6. 次に読むべき論文は?

- complementary filter に関する基礎研究 - particle swarm optimization (PSO) を用いたセンサ融合最適化 - radial basis function neural networks (RBFNN) による誤差補償 - flexible manipulator の kinematic modeling - multi-IMU sensor fusion に関する関連研究

※ 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: Amir Hossein Barjini, Jouni Mattila

分類: cs.RO

原文アブストラクト

This paper presents a novel framework for estimating the position and orientation of flexible manipulators undergoing vertical motion using multiple inertial measurement units (IMUs), optimized and calibrated with ground truth data. The flexible links are modeled as a series of rigid segments, with joint angles estimated from accelerometer and gyroscope measurements acquired by cost-effective IMUs. A complementary filter is employed to fuse the measurements, with its parameters optimized through particle swarm optimization (PSO) to mitigate noise and delay. To further improve estimation accuracy, residual errors in position and orientation are compensated using radial basis function neural networks (RBFNN). Experimental results validate the effectiveness of the proposed intelligent multi-IMU kinematic estimation method, achieving root mean square errors (RMSE) of 0.00021~m, 0.00041~m, and 0.00024~rad for $y$, $z$, and $\theta$, respectively.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmo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
  3. 3NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  4. 4GXO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
  5. 5Google DeepMind、ロボット向けAIを発表新製品・発表

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