日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

積層造形制御arXiv:2605.29144

ワイヤアーク積層造形におけるビード形状制御の学習と適応

Learning and Adaptation in Wire Arc Additive Manufacturing Bead Geometry Control

シェア:XThreadsFacebookLINEはてブBluesky

ワイヤアーク積層造形のビード高さと幅を、リカレントニューラルネットワークと予測制御で制御し、層ごとの予測誤差でモデルを適応更新して精度を向上させた。

詳しい要約

1. どんなもの?

- ロボティクスWAAMのビード形状制御 - 入出力データからデータ駆動モデルを学習 - 溶接トーチ速度とワイヤ送給速度を入力、ビード高さと幅を出力 - リカレントニューラルネットワークと1ステップ先予測制御を適用 - 層ごとの予測誤差でモデルを適応更新 - 高さと幅の一貫性を改善

2. 先行研究と比べてどこがすごい?

- 従来の一定入力や静的モデルベースラインと比較 - 学習と適応により高さと幅の一貫性が大幅に向上 - 熱条件の変化に対応する適応ステップを導入 - データ駆動型制御の有効性を実証

3. 技術・手法の肝は?

- 単純なリカレントニューラルネットワーク(RNN)アーキテクチャ - 1ステップ先予測制御 - 前層の予測誤差を用いたモデル更新 - ラインスキャナフィードバックを統合 - 入出力データから動的モデルを学習

4. どうやって有効だと検証した?

- ロボティックWAAMテストベッドでの実験 - ラインスキャナフィードバックを統合 - 一定入力および静的モデルベースラインと比較 - 高さと幅の一貫性の有意な改善を確認

5. 議論はある?

- 要旨からは不明 - 適応ステップの詳細なメカニズムや限界についての議論は記載なし - 実用化への課題や汎化性能についての言及なし

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示されていない - 関連手法としてデータ駆動型モデリング、リカレントニューラルネットワーク、予測制御、適応制御が挙げられる - 同分野の定番としてWAAMのプロセス制御に関する研究が考えられる

※ 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: Chen-Lung Lu, John Wen

分類: cs.RO, cs.SY, eess.SY

原文アブストラクト

Robotics Wire Arc Additive Manufacturing (WAAM) is governed by complex and nonlinear process dynamics coupling thermal field to the build geometry. The process may be regarded as a multi-input/multi-output dynamical system with welding torch speed and wire feed rate as inputs and weld bead deposition height and width as outputs. In this paper, we use the input/output data to learn a data-driven model and use it for weld planning and control. We show that a simple recurrent neural network architecture and one-step-ahead predictive control can improve the process performance in terms of height and width consistency. To account for the changing thermal conditions during the printing process, we update the learning model using prediction error from the previous layer. This adaptation step further improves the prediction accuracy and controller performance. Experiments on a robotic WAAM testbed with integrated line-scanner feedback significant improvements in height and width consistency compared to constant input and static model baselines. The proposed learning and adaptation framework provides a practical pathway toward robust, data-driven regulation of additive manufacturing processes.

  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

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