日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

摩擦推定arXiv:2604.24188

材料埋め込みとプロキシ相互作用モデリングによる一般化可能な摩擦係数推定

Generalizable Friction Coefficient Estimation via Material Embedding and Proxy Interaction Modeling

シェア:XThreadsFacebookLINEはてブBluesky

少数のプロキシ材料との摩擦測定から各材料の埋め込みを学習し、任意の材料ペアの摩擦係数を推定するフレームワークを提案。実験回数を大幅に削減しつつ高精度な予測を実現した。

詳しい要約

1. どんなもの?

- 任意の材料ペア間の摩擦係数を推定するフレームワーク。 - 少数の固定されたproxy材料C=[c1,...,ck]を用い、各材料の埋め込みz_A = g(f(A,c1),...,f(A,ck))と融合関数pによりf(A,B)≈p(z_A,z_B)と近似。 - 決定論的・確率的実現、proxy集合選択法、欠損・ノイズ対処機構を提案。 - 埋め込みはコンパクトで解釈可能、不確実性推定も可能。 - シミュレーションと実測データで高精度、部分観測に頑健、ペアテスト削減を実証。

2. 先行研究と比べてどこがすごい?

- 従来の全ペアテストは材料数に対して二次関数的に増大。 - 提案手法は少数のproxy材料との摩擦測定のみで任意ペアを推定し、実験コストを大幅削減。 - 埋め込みがコンパクトで解釈可能、不確実性推定も可能。 - 部分観測やノイズに対する頑健性も備える。

3. 技術・手法の肝は?

- 各材料Aについてproxy材料との摩擦f(A,c1),...,f(A,ck)を測定。 - 埋め込み関数gでz_Aを学習。 - 融合関数pでz_A,z_Bからf(A,B)を近似。 - 決定論的・確率的実現を提示。 - 多様なproxy集合の選択手順、欠損・ノイズ測定の処理機構を開発。

4. どうやって有効だと検証した?

- シミュレーションおよび実測摩擦データセットで評価。 - 高い予測精度を達成。 - 部分観測下でも頑健な性能を確認。 - ペアテストを大幅に削減し実験節約を実証。

5. 議論はある?

- 要旨からは不明。

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明記されていない。 - 関連手法として、材料埋め込みやproxy-based modeling、摩擦係数推定に関する研究が考えられるが、具体的な論文名は要旨からは不明。

※ 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: Zhendong Wang, Huamin Wang

分類: cs.RO, cs.GR

原文アブストラクト

Accurately estimating friction coefficients between arbitrary material pairs is critical for robotics, digital fabrication, and physics-based simulation, but exhaustive pairwise testing scales quadratically with the number of materials. We introduce a proxy-based modeling framework that approximates any pairwise friction $f(A,B)$ from a small, fixed set of proxy materials $C=[c_1,\dots,c_k]$ by learning a per-material embedding $z_A = g(f(A,c1),\dots,f(A,ck))$ and a fusion function $p$ such that $f(A,B)\approx p\big(z_A,z_B\big)$. We present deterministic and probabilistic realizations of $g$ and $p$, procedures for selecting diverse proxy sets, and mechanisms for handling missing or noisy proxy measurements. The learned embeddings are compact, interpretable, and enable calibrated uncertainty estimates for downstream decision making. On simulated and measured friction datasets, our approach achieves high predictive accuracy, robust performance with partial observations, and substantial experimental savings by significantly reducing pairwise testing.

  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. 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