Data-driven Model Reduction for Soft Robots via Lagrangian Operator Inference

要約

データ駆動型のモデル削減手法は、ソフト ロボットのリアルタイム制御用の高忠実度モデルの計算効率の高いサロゲートを構築する非侵入的な方法を提供します。
この研究では、モデル方程式のラグランジュの性質を利用して、ラグランジュ演算子推論を通じて構造を保持する線形低次数モデルを導出し、自由度 231,336 のうなぎ形の水泳ソフト ロボット モデルの例を通じて、そのパフォーマンスを著名な線形モデル削減手法と比較します。
ケーススタディは、基礎となるラグランジュ構造を保存することで、より高い予測精度と目に見えない入力に対する堅牢性を備えた学習モデルが得られることを示しています。

要約(オリジナル)

Data-driven model reduction methods provide a nonintrusive way of constructing computationally efficient surrogates of high-fidelity models for real-time control of soft robots. This work leverages the Lagrangian nature of the model equations to derive structure-preserving linear reduced-order models via Lagrangian Operator Inference and compares their performance with prominent linear model reduction techniques through an anguilliform swimming soft robot model example with 231,336 degrees of freedom. The case studies demonstrate that preserving the underlying Lagrangian structure leads to learned models with higher predictive accuracy and robustness to unseen inputs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google