A nonlinear real time capable motion cueing algorithm based on deep reinforcement learning

投稿日: 2025年3月20日 作成者: jarxiv

要約

モーションシミュレーションでは、モーションキューイングアルゴリズムがモーションシミュレータープラットフォームの軌跡計画に使用されます。ここでは、ワークスペースの制限により、参照軌跡の直接的な再現が妨げられます。
これらの設定では、プラットフォームを中心に戻すモーションウォッシュアウトなどの戦略が重要です。
高度に非線形のワークスペースを備えたシリアルロボットMSPの場合、MSPSキネマティックおよびダイナミック機能の効率的な利用を最大化することが不可欠です。
古典的なウォッシュアウトフィルタリングや線形モデル予測制御を含む従来のアプローチは、プラットフォーム固有の非線形特性を考慮していませんが、非線形モデル予測制御は、包括的ではありますが、さらなる単純化なしにリアルタイムのパイロットアプリケーションを妨げる高い計算要求を課します。
これらの制限を克服するために、MSPS運動の非線形性を完全に考慮して、6度のフリードーム設定で初めてここで実証されたモーションキューイングの深い補強学習を使用して、新しいアプローチを導入します。
著者による以前の研究では、運動学的または動的な制約を考慮していない単純化された2-DOFセットアップへのDRLの適用を成功裏に実証しました。
このアプローチは、MSPの完全な運動学モデルをアルゴリズムに組み込むことにより、6 DOFすべてに拡張されました。これは、実際のモーションシミュレーターでアプリケーションを有効にするための重要なステップです。
DRL-MCAのトレーニングは、自動化されたハイパーパラメーターの最適化と組み合わせた、アクタークリティックの実装における近位政策最適化に基づいています。
必要なトレーニングフレームワークとアルゴリズム自体を詳述した後、包括的な検証を提供し、DRL MCAが確立されたアルゴリズムに対して競争力のあるパフォーマンスを達成することを実証します。
さらに、すべてのシステムの制約を尊重することにより、実行可能な軌跡を生成し、低いものですべてのリアルタイムの要件を満たしています…

要約(オリジナル)

In motion simulation, motion cueing algorithms are used for the trajectory planning of the motion simulator platform, where workspace limitations prevent direct reproduction of reference trajectories. Strategies such as motion washout, which return the platform to its center, are crucial in these settings. For serial robotic MSPs with highly nonlinear workspaces, it is essential to maximize the efficient utilization of the MSPs kinematic and dynamic capabilities. Traditional approaches, including classical washout filtering and linear model predictive control, fail to consider platform-specific, nonlinear properties, while nonlinear model predictive control, though comprehensive, imposes high computational demands that hinder real-time, pilot-in-the-loop application without further simplification. To overcome these limitations, we introduce a novel approach using deep reinforcement learning for motion cueing, demonstrated here for the first time in a 6-degree-of-freedom setting with full consideration of the MSPs kinematic nonlinearities. Previous work by the authors successfully demonstrated the application of DRL to a simplified 2-DOF setup, which did not consider kinematic or dynamic constraints. This approach has been extended to all 6 DOF by incorporating a complete kinematic model of the MSP into the algorithm, a crucial step for enabling its application on a real motion simulator. The training of the DRL-MCA is based on Proximal Policy Optimization in an actor-critic implementation combined with an automated hyperparameter optimization. After detailing the necessary training framework and the algorithm itself, we provide a comprehensive validation, demonstrating that the DRL MCA achieves competitive performance against established algorithms. Moreover, it generates feasible trajectories by respecting all system constraints and meets all real-time requirements with low…

arxiv情報

著者 Hendrik Scheidel,Camilo Gonzalez,Houshyar Asadi,Tobias Bellmann,Andreas Seefried,Shady Mohamed,Saeid Nahavandi
発行日 2025-03-19 13:54:58+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO, cs.SY, eess.SY | A nonlinear real time capable motion cueing algorithm based on deep reinforcement learning はコメントを受け付けていません

Perception-aware Planning for Quadrotor Flight in Unknown and Feature-limited Environments

投稿日: 2025年3月20日 作成者: jarxiv

要約

視覚的に劣化した環境での四肢装置の状態推定精度を高めるために、認識対象計画に関するさまざまな研究が提案されています。
ただし、多くの既存の方法は、以前の環境知識に大きく依存しており、まばらなローカリゼーション機能を備えた以前は未知の環境で大きな制限に直面しているため、実用的なアプリケーションが大幅に制限されています。
この論文では、ナビゲーション中に環境情報間で知覚リソースを適切に割り当てる未知の機能制限環境での四肢装置の飛行のための認識対象計画方法を提示します。
ローカルターゲットビューポイントの適応的選択を可能にする視点遷移グラフを導入します。これは、十分なローカル性を維持し、機能制限領域に閉じ込められずに、四角体を目標に効率的にナビゲートするように導きます。
ローカル計画中に、探査能力とローカライズ性を同時に考慮した新しいヨー軌道生成法が提示されます。
それは、計算上効率的な方法でローカリゼーションの堅牢性を確保するために、特徴の共同視覚評価を介してローカライズ可能な廊下を構築します。
シミュレーションと現実世界の両方の実験で実施された検証を通じて、提案された方法の実現可能性とリアルタイムのパフォーマンスを実証します。
ソースコードは、コミュニティに利益をもたらすためにリリースされます。

要約(オリジナル)

Various studies on perception-aware planning have been proposed to enhance the state estimation accuracy of quadrotors in visually degraded environments. However, many existing methods heavily rely on prior environmental knowledge and face significant limitations in previously unknown environments with sparse localization features, which greatly limits their practical application. In this paper, we present a perception-aware planning method for quadrotor flight in unknown and feature-limited environments that properly allocates perception resources among environmental information during navigation. We introduce a viewpoint transition graph that allows for the adaptive selection of local target viewpoints, which guide the quadrotor to efficiently navigate to the goal while maintaining sufficient localizability and without being trapped in feature-limited regions. During the local planning, a novel yaw trajectory generation method that simultaneously considers exploration capability and localizability is presented. It constructs a localizable corridor via feature co-visibility evaluation to ensure localization robustness in a computationally efficient way. Through validations conducted in both simulation and real-world experiments, we demonstrate the feasibility and real-time performance of the proposed method. The source code will be released to benefit the community.

arxiv情報

著者 Chenxin Yu,Zihong Lu,Jie Mei,Boyu Zhou
発行日 2025-03-19 14:47:44+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO | Perception-aware Planning for Quadrotor Flight in Unknown and Feature-limited Environments はコメントを受け付けていません

Reinforcement Learning for Robust Athletic Intelligence: Lessons from the 2nd ‘AI Olympics with RealAIGym’ Competition

投稿日: 2025年3月20日 作成者: jarxiv

要約

ロボット工学の分野では、古典的な計画から最適な制御、強化学習（RL）に至るまでの多くの異なるアプローチが、多様なタスクで信頼できる制御を実現するために、他の分野から開発され、借用されています。
実世界のロボットシナリオでの個々の長所と短所と適用性を明確に理解するためには、シミュレーションだけでなく、実際のハードウェアでもパフォーマンスをベンチマークして比較することが重要です。
「Realaigymとの第2 AIオリンピック」競争は、IROS 2024会議で開催され、この原因に貢献し、異なるコントローラーを、混oticとしたダイナミクスを備えた2回の振り子システムで動的なコントロール問題を解決する能力に応じて行われました。
このホワイトペーパーでは、参加チームが提出した4つの異なるRLメソッドについて説明し、さまざまな基準に対して測定された実際の二重振り子でのスイングアップタスクでのパフォーマンスを示し、シミュレーションから実際のハードウェアへの移動性と外障害への堅牢性について説明します。

要約(オリジナル)

In the field of robotics many different approaches ranging from classical planning over optimal control to reinforcement learning (RL) are developed and borrowed from other fields to achieve reliable control in diverse tasks. In order to get a clear understanding of their individual strengths and weaknesses and their applicability in real world robotic scenarios is it important to benchmark and compare their performances not only in a simulation but also on real hardware. The ‘2nd AI Olympics with RealAIGym’ competition was held at the IROS 2024 conference to contribute to this cause and evaluate different controllers according to their ability to solve a dynamic control problem on an underactuated double pendulum system with chaotic dynamics. This paper describes the four different RL methods submitted by the participating teams, presents their performance in the swing-up task on a real double pendulum, measured against various criteria, and discusses their transferability from simulation to real hardware and their robustness to external disturbances.

arxiv情報

著者 Felix Wiebe,Niccolò Turcato,Alberto Dalla Libera,Jean Seong Bjorn Choe,Bumkyu Choi,Tim Lukas Faust,Habib Maraqten,Erfan Aghadavoodi,Marco Cali,Alberto Sinigaglia,Giulio Giacomuzzo,Diego Romeres,Jong-kook Kim,Gian Antonio Susto,Shubham Vyas,Dennis Mronga,Boris Belousov,Jan Peters,Frank Kirchner,Shivesh Kumar
発行日 2025-03-19 15:10:02+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO | Reinforcement Learning for Robust Athletic Intelligence: Lessons from the 2nd ‘AI Olympics with RealAIGym’ Competition はコメントを受け付けていません

Faster Model Predictive Control via Self-Supervised Initialization Learning

投稿日: 2025年3月20日 作成者: jarxiv

要約

さまざまな方法論にまたがるロボット制御タスクの最適化には、モデル予測制御（MPC）が含まれます。
ただし、非凸および非分化不可能なコスト関数や長期にわたる計画視野などのシステムの複雑さは、しばしば計算時間を大幅に増加させ、MPCの実際の適用性を制限します。
最適化をスピードアップするための以前の作業には、MPCの実行時間を直接最適化し、ドメインを保持するために一般化することに制限があります。
この課題を克服するために、最適化プロセスを直接促進することを目的とした新しいフレームワークを開発します。
私たちのフレームワークでは、オフラインの自己教師の学習とオンライン微調整を組み合わせて、制御パフォーマンスを改善し、最適化時間を短縮します。
私たちは、斬新で挑戦的なフォーミュラ1トラックのドライビングタスクでの方法の成功を実証します。
単相トレーニングと比較して、当社のアプローチは、最適化時間の19.4％の短縮と、ゼロショットトラックの追跡精度の6.3％の改善を達成します。

要約(オリジナル)

Optimization for robot control tasks, spanning various methodologies, includes Model Predictive Control (MPC). However, the complexity of the system, such as non-convex and non-differentiable cost functions and prolonged planning horizons often drastically increases the computation time, limiting MPC’s real-world applicability. Prior works in speeding up the optimization have limitations on optimizing MPC running time directly and generalizing to hold out domains. To overcome this challenge, we develop a novel framework aiming at expediting optimization processes directly. In our framework, we combine offline self-supervised learning and online fine-tuning to improve the control performance and reduce optimization time. We demonstrate the success of our method on a novel and challenging Formula 1 track driving task. Comparing to single-phase training, our approach achieves a 19.4\% reduction in optimization time and a 6.3\% improvement in tracking accuracy on zero-shot tracks.

arxiv情報

著者 Zhaoxin Li,Xiaoke Wang,Letian Chen,Rohan Paleja,Subramanya Nageshrao,Matthew Gombolay
発行日 2025-03-19 15:36:18+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO | Faster Model Predictive Control via Self-Supervised Initialization Learning はコメントを受け付けていません

Diff-DAgger: Uncertainty Estimation with Diffusion Policy for Robotic Manipulation

投稿日: 2025年3月20日 作成者: jarxiv

要約

最近、拡散ポリシーは、ロボット操作におけるマルチモーダルタスクの処理において印象的な結果を示しています。
ただし、調合エラーと外挿する能力が制限されているために持続する、分散型の障害には基本的な制限があります。
これらの制限に対処する1つの方法は、ロボットゲートダガー、ロボットクエリシステムを使用したインタラクティブな模倣学習であり、ポリシーの展開中に専門家の助けを積極的に求めています。
ロボットゲートダガーは大規模な学習の可能性が高いが、アンサンブルダガーのような既存の方法は非常に表現力豊かなポリシーと闘っている。彼らはしばしばマルチモーダルの決定点での不確実性として政策の意見の不一致を誤解している。
この問題に対処するために、拡散ポリシーのトレーニング目標を活用する効率的なロボット依存性ダガーアルゴリズムであるDiff-Daggerを紹介します。
スタッキング、プッシュ、プラグを含むさまざまなロボットタスクにわたってDiff-Daggerを評価し、Diff-Daggerがタスク障害予測を39.0％改善し、タスクの完了率を20.6％改善し、壁1杯の時間を7.8倍に短縮することを示します。
この作業が、表現力豊かでデータに飢えたポリシーをインタラクティブなロボット学習設定に効率的に組み込むための道を開くことを願っています。
プロジェクトのWebサイトは、https：//diffdagger.github.ioで入手できます。

要約(オリジナル)

Recently, diffusion policy has shown impressive results in handling multi-modal tasks in robotic manipulation. However, it has fundamental limitations in out-of-distribution failures that persist due to compounding errors and its limited capability to extrapolate. One way to address these limitations is robot-gated DAgger, an interactive imitation learning with a robot query system to actively seek expert help during policy rollout. While robot-gated DAgger has high potential for learning at scale, existing methods like Ensemble-DAgger struggle with highly expressive policies: They often misinterpret policy disagreements as uncertainty at multi-modal decision points. To address this problem, we introduce Diff-DAgger, an efficient robot-gated DAgger algorithm that leverages the training objective of diffusion policy. We evaluate Diff-DAgger across different robot tasks including stacking, pushing, and plugging, and show that Diff-DAgger improves the task failure prediction by 39.0%, the task completion rate by 20.6%, and reduces the wall-clock time by a factor of 7.8. We hope that this work opens up a path for efficiently incorporating expressive yet data-hungry policies into interactive robot learning settings. The project website is available at: https://diffdagger.github.io.

arxiv情報

著者 Sung-Wook Lee,Yen-Ling Kuo
発行日 2025-03-19 15:46:25+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO | Diff-DAgger: Uncertainty Estimation with Diffusion Policy for Robotic Manipulation はコメントを受け付けていません

Tangles: Unpacking Extended Collision Experiences with Soma Trajectories

投稿日: 2025年3月20日 作成者: jarxiv

要約

私たちは、ロボットと衝突するという考えを再評価し、衝突を避けたり緩和しようとする位置から、それらを人間の相互作用の重要な側面と見なしている位置に移動します。
私たちの体がテレプレゼンスロボット、モビリティエイズ、および四足込んでいるロボットとどのように衝突するかを探求する相馬デザインワークショップについて報告します。
私たちの調査結果に基づいて、私たちは相馬の軌跡を採用して、衝突を分析し、同意、準備、打ち上げ、接触、リップル、刺し傷、解説、残骸、反射の重要な移行を交渉する拡張経験として分析しました。
次に、これらのアイデアを採用して、2つの衝突体験、人とドローンの間の偶発的な衝突と、猫と遊ぶためのロボットの意図的なデザインを分析し、実際の衝突がどのように複雑で継続的な絡み合いを含むかを明らかにしました。
衝突を絡み合った軌跡、またはもつれとして見ることを、設計アプローチとして、また倫理的複雑さをブローチするためのレンズとしてどのように使用できるかについて説明します。

要約(オリジナル)

We reappraise the idea of colliding with robots, moving from a position that tries to avoid or mitigate collisions to one that considers them an important facet of human interaction. We report on a soma design workshop that explored how our bodies could collide with telepresence robots, mobility aids, and a quadruped robot. Based on our findings, we employed soma trajectories to analyse collisions as extended experiences that negotiate key transitions of consent, preparation, launch, contact, ripple, sting, untangle, debris and reflect. We then employed these ideas to analyse two collision experiences, an accidental collision between a person and a drone, and the deliberate design of a robot to play with cats, revealing how real-world collisions involve the complex and ongoing entanglement of soma trajectories. We discuss how viewing collisions as entangled trajectories, or tangles, can be used analytically, as a design approach, and as a lens to broach ethical complexity.

arxiv情報

著者 Steve Benford,Rachael Garrett,Christine Li,Paul Tennent,Claudia Núñez-Pacheco,Ayse Kucukyilmaz,Vasiliki Tsaknaki,Kristina Höök,Praminda Caleb-Solly,Joe Marshall,Eike Schneiders,Kristina Popova,Jude Afana
発行日 2025-03-19 16:09:52+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.HC, cs.RO | Tangles: Unpacking Extended Collision Experiences with Soma Trajectories はコメントを受け付けていません

CAFEs: Cable-driven Collaborative Floating End-Effectors for Agriculture Applications

投稿日: 2025年3月20日 作成者: jarxiv

要約

カフェ（共同農業フローティングエンドエフェクター）は、大規模な農業タスクを自動化するための新しいロボット設計および制御アプローチです。
ケーブル駆動型のロボットアーキテクチャに基づいて、モジュラーロボットアームと同じローラー駆動ケーブルセットを共有することにより、高速で切り替えるクランプメカニズムにより、各カフェは移動ケーブルからクランプまたはリリースでき、ワークスペース全体の独立した同期の両方の動きを可能にします。
このシステムを有効にするために開発された方法には、機械的設計、正確な位置制御、スプリングマスが好まれたシステムの動的モデルが含まれ、ロボットアームの正確で安定した動きが確保されます。
システムのスケーラビリティは、より多くのロボットアームが展開されるにつれてパフォーマンスを維持するために、ケーブル内の張力とたるみを調べることによってさらに調査されます。
実験的およびシミュレーション結果は、農業の自動化に貢献する可能性を示す、ピックアンドプレイスを含むタスクにおけるシステムの有効性を示しています。

要約(オリジナル)

CAFEs (Collaborative Agricultural Floating End-effectors) is a new robot design and control approach to automating large-scale agricultural tasks. Based upon a cable driven robot architecture, by sharing the same roller-driven cable set with modular robotic arms, a fast-switching clamping mechanism allows each CAFE to clamp onto or release from the moving cables, enabling both independent and synchronized movement across the workspace. The methods developed to enable this system include the mechanical design, precise position control and a dynamic model for the spring-mass liked system, ensuring accurate and stable movement of the robotic arms. The system’s scalability is further explored by studying the tension and sag in the cables to maintain performance as more robotic arms are deployed. Experimental and simulation results demonstrate the system’s effectiveness in tasks including pick-and-place showing its potential to contribute to agricultural automation.

arxiv情報

著者 Hung Hon Cheng,Josie Hughes
発行日 2025-03-19 16:12:53+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO | CAFEs: Cable-driven Collaborative Floating End-Effectors for Agriculture Applications はコメントを受け付けていません

Friction-Scaled Vibrotactile Feedback for Real-Time Slip Detection in Manipulation using Robotic Sixth Finger

投稿日: 2025年3月20日 作成者: jarxiv

要約

特に把握や操作のために、運動能力を向上させ、拡大するためのロボット極度の手足/指の統合は、重要な課題を抱えています。
既存の手足/指の把握パフォーマンスは、人間の手よりもはるかに劣っています。
人間の手は、握りプロセス中に触覚受容体に由来する触覚フィードバックのスリップの発症を検出し、グリップ力の正確かつ自動調節を可能にすることができます。
摩擦情報は、指と物体の間で発生するスリップに応じて、人間によって知覚されます。
人間が使用するロボット外の手足または指でこの能力を高めることは困難です。
この課題に対処するために、このホワイトペーパーでは、エンコードされた振動触覚キューを介してユーザーに摩擦情報を伝えるための新しいアプローチを紹介します。
これらのキューは、初期スリップの開始時に伝えられ、ユーザーは摩擦を認識し、最終的にこの情報を使用して力を増やしてオブジェクトの落下を避けることができます。
2代替強制選択プロトコルでは、参加者は3つの異なる摩擦条件下でガラスをつかんで持ち上げ、3.5 Nの正常な力を適用しました。この力に到達した後、スリップを誘導するためにガラスを徐々に放出しました。
この滑り段階では、摩擦条件を反映して、摩擦係数に従って摩擦係数に従ってスケーリングされた振動が提示されました。
結果は、さまざまな摩擦のあるオブジェクトを持ち上げた摩擦情報を知覚する際の94.53 p/m 3.05（平均p/msd）の精度を示唆しました。
結果は、感覚フィードバックのために振動触覚フィードバックを使用する効果があり、ロボット外の手足または指のユーザーが摩擦情報を知覚できるようにすることを示しています。
これにより、表面特性を評価し、摩擦条件に応じてグリップ力を調整し、把握し、オブジェクトをより効果的に操作する能力を向上させることができます。

要約(オリジナル)

The integration of extra-robotic limbs/fingers to enhance and expand motor skills, particularly for grasping and manipulation, possesses significant challenges. The grasping performance of existing limbs/fingers is far inferior to that of human hands. Human hands can detect onset of slip through tactile feedback originating from tactile receptors during the grasping process, enabling precise and automatic regulation of grip force. The frictional information is perceived by humans depending upon slip happening between finger and object. Enhancing this capability in extra-robotic limbs or fingers used by humans is challenging. To address this challenge, this paper introduces novel approach to communicate frictional information to users through encoded vibrotactile cues. These cues are conveyed on onset of incipient slip thus allowing users to perceive friction and ultimately use this information to increase force to avoid dropping of object. In a 2-alternative forced-choice protocol, participants gripped and lifted a glass under three different frictional conditions, applying a normal force of 3.5 N. After reaching this force, glass was gradually released to induce slip. During this slipping phase, vibrations scaled according to static coefficient of friction were presented to users, reflecting frictional conditions. The results suggested an accuracy of 94.53 p/m 3.05 (mean p/mSD) in perceiving frictional information upon lifting objects with varying friction. The results indicate effectiveness of using vibrotactile feedback for sensory feedback, allowing users of extra-robotic limbs or fingers to perceive frictional information. This enables them to assess surface properties and adjust grip force according to frictional conditions, enhancing their ability to grasp, manipulate objects more effectively.

arxiv情報

著者 Naqash Afzal,Basma Hasanen,Lakmal Seneviratne,Oussama Khatib,Irfan Hussain
発行日 2025-03-19 17:28:06+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO, cs.SY, eess.SY | Friction-Scaled Vibrotactile Feedback for Real-Time Slip Detection in Manipulation using Robotic Sixth Finger はコメントを受け付けていません

Controllable Latent Diffusion for Traffic Simulation

投稿日: 2025年3月20日 作成者: jarxiv

要約

自律駆動システムの検証は、現実的で正確に制御可能なシナリオを生成する能力から大きな恩恵を受けます。
実際のテストドライブなどの従来のアプローチは、高価であるだけでなく、ターゲットを絞ったエッジケースを徹底的に評価するための柔軟性も欠いています。
これらの課題に対処するために、仮想テストのための多様で制御可能な運転シナリオのセットを自動的に生成するために、強化学習を介して拡散モデルのトレーニングを導く制御可能な潜在拡散を提案します。
私たちのアプローチは、自律型車両システムに挑戦して評価するためにプロパティを調整できる複雑なシナリオを生成することにより、大規模な現実世界のデータへの依存を取り除きます。
実験結果は、私たちのアプローチの衝突率が0.098ドルで、オフロード率が0.096ドルで、既存のベースラインに対する優位性が示されていることが示されています。
提案されたアプローチは、生成されたシナリオのリアリズム、安定性、制御性を大幅に改善し、自律車のより微妙な安全評価を可能にします。

要約(オリジナル)

The validation of autonomous driving systems benefits greatly from the ability to generate scenarios that are both realistic and precisely controllable. Conventional approaches, such as real-world test drives, are not only expensive but also lack the flexibility to capture targeted edge cases for thorough evaluation. To address these challenges, we propose a controllable latent diffusion that guides the training of diffusion models via reinforcement learning to automatically generate a diverse and controllable set of driving scenarios for virtual testing. Our approach removes the reliance on large-scale real-world data by generating complex scenarios whose properties can be finely tuned to challenge and assess autonomous vehicle systems. Experimental results show that our approach has the lowest collision rate of $0.098$ and lowest off-road rate of $0.096$, demonstrating superiority over existing baselines. The proposed approach significantly improves the realism, stability and controllability of the generated scenarios, enabling more nuanced safety evaluation of autonomous vehicles.

arxiv情報

著者 Yizhuo Xiao,Mustafa Suphi Erden,Cheng Wang
発行日 2025-03-19 17:28:43+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.MA, cs.RO | Controllable Latent Diffusion for Traffic Simulation はコメントを受け付けていません

Kolmogorov-Arnold Network for Transistor Compact Modeling

投稿日: 2025年3月20日 作成者: jarxiv

要約

ニューラルネットワーク（NN）ベースのトランジスタコンパクトモデリングは、デバイスモデリングとスパイス回路シミュレーションを加速するための変換ソリューションとして最近浮上しています。
ただし、従来のNNアーキテクチャは、最先端の方法で広く採用されているにもかかわらず、主にブラックボックスの問題ソルバーとして機能しています。
この解釈可能性の欠如は、学習したデータパターンに意味のある洞察を抽出して伝える能力を大幅に制限し、重要なモデリングタスクにおけるより広範な採用に大きな障壁をもたらします。
この作業では、トランジスタのためにコルモゴロフアーノルドネットワーク（KAN）を初めて紹介します。これは、物理ベースの機能モデリングにおける解釈可能性を高精度とシームレスに統合する画期的なNNアーキテクチャです。
FinfetコンパクトモデリングのKanとForier Kanのパフォーマンスを体系的に評価し、ゴールデン産業標準のコンパクトモデルと広く使用されているMLPアーキテクチャに対してベンチマークを付けます。
我々の結果は、KanとFkanがゲート電流、排水料金、ソースチャージなど、重要なメリットの数値に対して一貫して優れた予測精度を達成することを明らかにしています。
さらに、学習されたデータパターンからシンボリック式を導き出すKanのユニークな能力を実証および改善します。これは、解釈可能性を向上させるだけでなく、詳細なトランジスタ分析と最適化を促進する機能です。
この作業は、NN駆動のトランジスタコンパクトモデリングにおける解釈可能性と精度のギャップを埋めることにおけるKanの変換の可能性を強調しています。
トランジスタモデリングに堅牢で透明なアプローチを提供することにより、Kanは高度なテクノロジースケーリングの課題をナビゲートする際に、半導体業界にとって極めて重要な進歩を表しています。

要約(オリジナル)

Neural network (NN)-based transistor compact modeling has recently emerged as a transformative solution for accelerating device modeling and SPICE circuit simulations. However, conventional NN architectures, despite their widespread adoption in state-of-the-art methods, primarily function as black-box problem solvers. This lack of interpretability significantly limits their capacity to extract and convey meaningful insights into learned data patterns, posing a major barrier to their broader adoption in critical modeling tasks. This work introduces, for the first time, Kolmogorov-Arnold network (KAN) for the transistor – a groundbreaking NN architecture that seamlessly integrates interpretability with high precision in physics-based function modeling. We systematically evaluate the performance of KAN and Fourier KAN for FinFET compact modeling, benchmarking them against the golden industry-standard compact model and the widely used MLP architecture. Our results reveal that KAN and FKAN consistently achieve superior prediction accuracy for critical figures of merit, including gate current, drain charge, and source charge. Furthermore, we demonstrate and improve the unique ability of KAN to derive symbolic formulas from learned data patterns – a capability that not only enhances interpretability but also facilitates in-depth transistor analysis and optimization. This work highlights the transformative potential of KAN in bridging the gap between interpretability and precision in NN-driven transistor compact modeling. By providing a robust and transparent approach to transistor modeling, KAN represents a pivotal advancement for the semiconductor industry as it navigates the challenges of advanced technology scaling.

arxiv情報

著者 Rodion Novkin,Hussam Amrouch
発行日 2025-03-19 13:49:50+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG | Kolmogorov-Arnold Network for Transistor Compact Modeling はコメントを受け付けていません