日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

ソフトアクチュエータ/モデリングarXiv:2602.23670

拮抗型空気圧人工筋のダイナミクスを学習する物理埋め込みNeural ODE

Physics-Embedded Neural ODEs for Learning Antagonistic Pneumatic Artificial Muscle Dynamics

シェア:XThreadsFacebookLINEはてブBluesky

拮抗配置の空気圧人工筋の非線形・ヒステリシス動特性を、物理構造を組み込んだNeural ODEでモデル化し、逆モデルによる剛性制御を実機検証した。

詳しい要約

1. どんなもの?

本論文は、対向配置された空気圧人工筋(PAM)の動特性を学習するための、物理構造を埋め込んだハイブリッドNeural ODEフレームワークを提案する。PAMはソフトウェアラブル・支援・インタラクティブロボット向けの柔軟なアクチュエータだが、対向配置では共収縮による可変インピーダンスが得られる一方、連成・非線形・ヒステリシス動特性がモデリングと制御を難しくする。提案法はパラメトリックな関節力学と空気圧状態動特性に、対向結合と速度依存ヒステリシスを捉えるニューラルネットワーク力成分を組み合わせる。順モデルは29の選択された共収縮条件で訓練され、196の未見条件で関節運動とチャンバ圧を平均R^2 0.88で予測した。学習動特性から導出した逆モデルは、所望の運動と剛性プロファイルに対する圧力指令をオフライン計算し、実行時に閉ループで追従する。実験検証では126-176 N/mmの範囲で信頼性の高い剛性制御と、動作速度間で一貫したインピーダンス挙動を示し、静的モデルは高速域で剛性一貫性が劣化した。

2. 先行研究と比べてどこがすごい?

先行研究と比べてどこがすごいかは要旨からは不明。ただし、静的モデルと比較して、提案法は高速域でも剛性一貫性を維持し、速度依存ヒステリシスと対向結合を捉える点で優れると示唆される。

3. 技術・手法の肝は?

技術や手法の肝は、物理構造を埋め込んだハイブリッドNeural ODEである。パラメトリックな関節力学と空気圧状態動特性に、対向結合と速度依存ヒステリシスを表現するニューラルネットワーク力成分を統合する。順モデルを訓練し、そこから逆モデルを導出して圧力指令をオフライン計算、閉ループで運動と剛性を追従させる。

4. どうやって有効だと検証した?

順モデルを29の共収縮条件で訓練し、196の未見条件で関節運動とチャンバ圧を平均R^2 0.88で予測した。実験では126-176 N/mmの剛性制御と動作速度間のインピーダンス一貫性を検証し、静的モデルとの比較で高速域の剛性一貫性劣化を示した。

5. 議論はある?

議論は要旨からは不明。静的モデルとの比較で高速域の剛性一貫性劣化が示されているが、限界や課題についての言及はない。

6. 次に読むべき論文は?

要旨で参照/比較されている研究は静的モデルのみ。関連手法としてNeural ODE、PAMのモデリング、可変インピーダンス制御、ヒステリシスモデリングの定番文献を挙げる。

※ 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: Xinyao Wang, Jonathan Realmuto

分類: cs.RO, cs.SY, eess.SY

原文アブストラクト

Pneumatic artificial muscles (PAMs) enable compliant actuation for soft wearable, assistive, and interactive robots. When arranged antagonistically, PAMs can provide variable impedance through co-contraction but exhibit coupled, nonlinear, and hysteretic dynamics that challenge modeling and control. This paper presents a hybrid neural ordinary differential equation (Neural ODE) framework that embeds physical structure into a learned model of antagonistic PAM dynamics. The formulation combines parametric joint mechanics and pneumatic state dynamics with a neural network force component that captures antagonistic coupling and rate-dependent hysteresis. \rev{The forward model was trained on 29 selected co-contraction conditions and predicted joint motion and chamber pressures over 196 held-out conditions with a mean R$^2$ of 0.88.} An inverse formulation, derived from the learned dynamics, computes pressure commands offline for desired motion and stiffness profiles, tracked in closed loop during execution. Experimental validation demonstrates reliable stiffness control across 126-176 N/mm and consistent impedance behavior across operating velocities, in contrast to a static model, which shows degraded stiffness consistency at higher velocities.

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. 3GXO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
  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

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI