Operatori Neurali per la Modellazione Surrogata di Robot Continui
Un recente preprint su arXiv (2605.19104) presenta architetture di operatori neurali finalizzate alla modellazione surrogata per robot continui azionati da tendini. Questo metodo concettualizza la sfida come apprendimento di operatori, collegando i parametri di progettazione e gli input di azionamento dei tendini alle configurazioni del robot. Sono state create quattro architetture innovative: due derivate da Deep Operator Networks (DeepONets) e due da Fourier Neural Operators (FNOs). Addestrati utilizzando dati di simulazione, questi modelli dimostrano una forte accuratezza predittiva. Un vantaggio significativo è che un singolo modello addestrato può generalizzare efficacemente su un'ampia gamma di progetti robotici, affrontando le carenze dei modelli tradizionali basati sulla fisica (costosi e spesso imprecisi) e degli approcci basati sull'apprendimento esistenti (che faticano a generalizzare oltre robot specifici).
Fatti principali
- arXiv:2605.19104v1
- Tipo di annuncio: cross
- Abstract: i robot continui consentono manipolazioni abili in ambienti vincolati
- I modelli tradizionali basati sulla fisica possono essere computazionalmente costosi e soffrire di imprecisioni
- Gli attuali metodi basati sull'apprendimento spesso generalizzano male oltre il robot specifico su cui sono addestrati
- Presenta una formulazione della modellazione surrogata per robot continui azionati da tendini come problema di apprendimento di operatori
- Mappa i parametri di progettazione del robot e gli input di azionamento dei tendini alle configurazioni risultanti
- Sviluppa quattro nuove architetture di operatori neurali: due DeepONet e due FNO
Entità
Istituzioni
- arXiv