SafePath: Conformal Prediction for Safe LLM-Based Autonomous Navigation

投稿日: 2025年5月16日 作成者: jarxiv

要約

大規模な言語モデル（LLMS）は、複雑な交通シナリオを推論してパスプランを生成することにより、自律運転の約束の高まりを示しています。
しかし、彼らの自信過剰への傾向と幻覚は、重大な安全上の懸念を引き起こします。
SafePathを紹介します。SafePathは、適合予測を使用して正式な安全保証を使用して、LLMベースのパス計画を強化するモジュール式フレームワークです。
SafePathは3つの段階で動作します。
最初の段階では、エージェントの動作と環境の手がかりに基づいて可能な軌跡を調査し、多様な候補パスのセットを生成するLLMを使用します。
第2段階では、SafePathが高リスクの軌跡を除去しながら、適合予測を統合する複数選択の質問解決定式化を通じて、少なくとも1つの安全なオプションがユーザー定義の確率に含まれていることを保証します。
最終段階では、私たちのアプローチは、不確実性が低いときに予想される衝突リスクが最も低いか、不確実性が高い場合に人間を委任する衝突リスクが最も低い経路を選択します。
Safepathがユーザー定義の確率で安全な軌道を保証することを理論的に証明し、その人間の委任率をどのように調整して自律性と安全のバランスをとることができるかを示します。
ヌスセンと高速道路網に関する広範な実験は、SafePathが計画の不確実性を77％、衝突速度を最大70 \％減らすことを示しており、LLM駆動型のパス計画をより安全にする際の有効性を示しています。

要約(オリジナル)

Large Language Models (LLMs) show growing promise in autonomous driving by reasoning over complex traffic scenarios to generate path plans. However, their tendencies toward overconfidence, and hallucinations raise critical safety concerns. We introduce SafePath, a modular framework that augments LLM-based path planning with formal safety guarantees using conformal prediction. SafePath operates in three stages. In the first stage, we use an LLM that generates a set of diverse candidate paths, exploring possible trajectories based on agent behaviors and environmental cues. In the second stage, SafePath filters out high-risk trajectories while guaranteeing that at least one safe option is included with a user-defined probability, through a multiple-choice question-answering formulation that integrates conformal prediction. In the final stage, our approach selects the path with the lowest expected collision risk when uncertainty is low or delegates control to a human when uncertainty is high. We theoretically prove that SafePath guarantees a safe trajectory with a user-defined probability, and we show how its human delegation rate can be tuned to balance autonomy and safety. Extensive experiments on nuScenes and Highway-env show that SafePath reduces planning uncertainty by 77\% and collision rates by up to 70\%, demonstrating effectiveness in making LLM-driven path planning more safer.

arxiv情報

著者 Achref Doula,Max Mühlhäuser,Alejandro Sanchez Guinea
発行日 2025-05-15 07:22:20+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, cs.RO | SafePath: Conformal Prediction for Safe LLM-Based Autonomous Navigation はコメントを受け付けていません

Behind Maya: Building a Multilingual Vision Language Model

投稿日: 2025年5月16日 作成者: jarxiv

要約

最近では、大規模なビジョン言語モデル（VLM）の急速な発展が見られました。
彼らは、主に広く話されている言語では、学術ベンチマークで印象的な結果を示していますが、低リソース言語と多様な文化的文脈ではパフォーマンスがありません。
これらの制限に対処するために、オープンソースの多言語VLMであるMayaを紹介します。
私たちの貢献は次のとおりです。1）LLAVA Pretrainingデータセットに基づく8つの言語の多言語画像テキスト前削除データセット。
2）これらの言語をサポートする多言語画像テキストモデルで、ビジョン言語タスクにおける文化的および言語的理解を高めます。
https://github.com/nahidalam/mayaで入手可能なコード。

要約(オリジナル)

In recent times, we have seen a rapid development of large Vision-Language Models (VLMs). They have shown impressive results on academic benchmarks, primarily in widely spoken languages but lack performance on low-resource languages and varied cultural contexts. To address these limitations, we introduce Maya, an open-source Multilingual VLM. Our contributions are: 1) a multilingual image-text pretraining dataset in eight languages, based on the LLaVA pretraining dataset; and 2) a multilingual image-text model supporting these languages, enhancing cultural and linguistic comprehension in vision-language tasks. Code available at https://github.com/nahidalam/maya.

arxiv情報

著者 Nahid Alam,Karthik Reddy Kanjula,Surya Guthikonda,Timothy Chung,Bala Krishna S Vegesna,Abhipsha Das,Anthony Susevski,Ryan Sze-Yin Chan,S M Iftekhar Uddin,Shayekh Bin Islam,Roshan Santhosh,Snegha A,Drishti Sharma,Chen Liu,Isha Chaturvedi,Genta Indra Winata,Ashvanth. S,Snehanshu Mukherjee,Alham Fikri Aji
発行日 2025-05-15 04:24:06+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.CL, cs.CV | Behind Maya: Building a Multilingual Vision Language Model はコメントを受け付けていません

Establishing Linear Surrogate Regret Bounds for Convex Smooth Losses via Convolutional Fenchel-Young Losses

投稿日: 2025年5月16日 作成者: jarxiv

要約

過剰なリスク境界とも呼ばれる代理の後悔の境界は、サロゲート損失の収束速度とターゲット損失の間のギャップを橋渡しします。
特に、効率的な推定と最適化により、凸状の滑らかなサロゲート損失は魅力的ですが、滑らかさと線形後悔の拘束力の間のトレードオフの存在は、コミュニティで信じられています。
そうは言っても、凸滑らかなサロゲート損失のより良い最適化と推定特性は、ターゲット損失への後悔の転送を受けた後、必然的に悪化する可能性があります。
凸状の滑らかな代理損失を構築することにより、任意の離散ターゲット損失のこのジレンマを克服します。
この構造は、一般化されたネグレントピーとターゲットベイズリスクの任意の畳み込みに相当する、畳み込み負の畳み込みによって生成されるフェンチェルヨンの損失に基づいています。
その結果、INFIMALの畳み込みにより、代理の後悔の縛られた線形を維持しながら、スムーズな損失を導き出すことができます。
さらに、INFIMAL畳み込みの恩恵を受けて、基礎となるクラスの確率の一貫した推定器を持つことができます。
私たちの結果は、全体的に、凸分析が最適化とリスク最小化の統計的効率にどのように浸透するかを示す新しいデモンストレーションです。

要約(オリジナル)

Surrogate regret bounds, also known as excess risk bounds, bridge the gap between the convergence rates of surrogate and target losses, with linear bounds favorable for their lossless regret transfer. While convex smooth surrogate losses are appealing in particular due to the efficient estimation and optimization, the existence of a trade-off between the smoothness and linear regret bound has been believed in the community. That being said, the better optimization and estimation properties of convex smooth surrogate losses may inevitably deteriorate after undergoing the regret transfer onto a target loss. We overcome this dilemma for arbitrary discrete target losses by constructing a convex smooth surrogate loss, which entails a linear surrogate regret bound composed with a tailored prediction link. The construction is based on Fenchel-Young losses generated by the convolutional negentropy, which are equivalent to the infimal convolution of a generalized negentropy and the target Bayes risk. Consequently, the infimal convolution enables us to derive a smooth loss while maintaining the surrogate regret bound linear. We additionally benefit from the infimal convolution to have a consistent estimator of the underlying class probability. Our results are overall a novel demonstration of how convex analysis penetrates into optimization and statistical efficiency in risk minimization.

arxiv情報

著者 Yuzhou Cao,Han Bao,Lei Feng,Bo An
発行日 2025-05-15 02:26:10+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, stat.ML | Establishing Linear Surrogate Regret Bounds for Convex Smooth Losses via Convolutional Fenchel-Young Losses はコメントを受け付けていません

Towards Fair In-Context Learning with Tabular Foundation Models

投稿日: 2025年5月16日 作成者: jarxiv

要約

表形式の基礎モデルは、構造化データに強力なコンテキスト学習（ICL）機能を示しており、トレーニングの例をコンテキストとして使用して、パラメーターの更新なしでテストセットで正確な予測を行うことができます。
この新たなアプローチは、従来のグラデーションブーストツリーメソッドの競争力のある代替手段として位置付けられています。
ただし、従来の機械学習モデルのバイアスは十分に文書化されていますが、これらのバイアスが表形式のICLにどのように現れるかは不明のままです。
このペーパーでは、表形式のICLの公平性への影響を調査し、相関除去、グループバランスの取れたデモの選択、不確実性ベースのデモンストレーション選択 – 対処バイアスの3つの前処理戦略を調査します。
包括的な実験は、不確実性に基づくデモンストレーション選択が、コンテキスト内予測のグループ公平性を一貫して強化することを示しています。
この作業の結果を再現するためのソースコードは、https：//github.com/patrikken/fair-tabiclにあります。

要約(オリジナル)

Tabular foundational models have exhibited strong in-context learning (ICL) capabilities on structured data, allowing them to make accurate predictions on test sets without parameter updates, using training examples as context. This emerging approach positions itself as a competitive alternative to traditional gradient-boosted tree methods. However, while biases in conventional machine learning models are well documented, it remains unclear how these biases manifest in tabular ICL. The paper investigates the fairness implications of tabular ICL and explores three preprocessing strategies–correlation removal, group-balanced demonstration selection, and uncertainty-based demonstration selection–to address bias. Comprehensive experiments indicate that uncertainty-based demonstration selection consistently enhances group fairness of in-context predictions. The source code for reproducing the results of this work can be found at https://github.com/patrikken/Fair-TabICL.

arxiv情報

著者 Patrik Kenfack,Samira Ebrahimi Kahou,Ulrich Aïvodji
発行日 2025-05-15 03:13:43+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.LG | Towards Fair In-Context Learning with Tabular Foundation Models はコメントを受け付けていません

FAMMA: A Benchmark for Financial Domain Multilingual Multimodal Question Answering

投稿日: 2025年5月16日 作成者: jarxiv

要約

この論文では、\ underline {a} ncial \ underline {m} ultilingual \ underline {m} ultimodal question \ underline {a} nswering（qa）の\下線{f}のオープンソースベンチマークであるFammaを紹介します。
私たちのベンチマークは、高度な財務知識を必要とする複雑な推論質問に答える際に、大規模な言語モデル（LLM）の能力を評価することを目的としています。
ベンチマークには2つのバージョンがあります。FAMMA-Basicは、大学の教科書や試験から抽出された1,945の質問と、人間が注目した答えと理論的根拠で構成されています。
Famma-Liveproは、人間のドメインの専門家によって作成された103の斬新な質問で構成されており、汚染のない評価のために答えと理論的根拠が一般から保持されています。
これらの質問は、金融における8つの主要なサブフィールド（例：企業金融、デリバティブ、ポートフォリオ管理）の高度な知識をカバーしています。
一部は中国語またはフランス語で、その大部分は英語です。
各質問には、チャート、図、表など、テキスト以外のデータがいくつかあります。
私たちの実験は、GPT-O1やDeepSeek-R1などの推論モデルなど、FAMMAがLLMに大きな課題をもたらすことを明らかにしています。
さらに、Famma-Basicデータ上のDeepseek-R1の1,270の推論軌跡をキュレーションし、この推論データを使用して一連のオープンソースQwenモデルを微調整しました。
これらの推論軌跡に関するモデルをトレーニングすることで、Famma-Liveproでのパフォーマンスが大幅に向上することがわかりました。
https://famma-bench.github.io/famma/でリーダーボード、データ、コード、トレーニングモデルをリリースしました。

要約(オリジナル)

In this paper, we introduce FAMMA, an open-source benchmark for \underline{f}in\underline{a}ncial \underline{m}ultilingual \underline{m}ultimodal question \underline{a}nswering (QA). Our benchmark aims to evaluate the abilities of large language models (LLMs) in answering complex reasoning questions that require advanced financial knowledge. The benchmark has two versions: FAMMA-Basic consists of 1,945 questions extracted from university textbooks and exams, along with human-annotated answers and rationales; FAMMA-LivePro consists of 103 novel questions created by human domain experts, with answers and rationales held out from the public for a contamination-free evaluation. These questions cover advanced knowledge of 8 major subfields in finance (e.g., corporate finance, derivatives, and portfolio management). Some are in Chinese or French, while a majority of them are in English. Each question has some non-text data such as charts, diagrams, or tables. Our experiments reveal that FAMMA poses a significant challenge on LLMs, including reasoning models such as GPT-o1 and DeepSeek-R1. Additionally, we curated 1,270 reasoning trajectories of DeepSeek-R1 on the FAMMA-Basic data, and fine-tuned a series of open-source Qwen models using this reasoning data. We found that training a model on these reasoning trajectories can significantly improve its performance on FAMMA-LivePro. We released our leaderboard, data, code, and trained models at https://famma-bench.github.io/famma/.

arxiv情報

著者 Siqiao Xue,Xiaojing Li,Fan Zhou,Qingyang Dai,Zhixuan Chu,Hongyuan Mei
発行日 2025-05-15 02:17:31+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.AI, cs.CL | FAMMA: A Benchmark for Financial Domain Multilingual Multimodal Question Answering はコメントを受け付けていません

Construction and Application of Materials Knowledge Graph in Multidisciplinary Materials Science via Large Language Model

投稿日: 2025年5月16日 作成者: jarxiv

要約

材料科学の知識は、広範な科学文献全体に広く分散されており、新しい材料の効率的な発見と統合に大きな課題をもたらしています。
多くの場合、費用と時間のかかる実験的アプローチに依存している従来の方法は、急速な革新をさらに複雑にします。
これらの課題に対処するために、人工知能と材料科学の統合は、発見プロセスを加速するための道を開きましたが、情報の正確な注釈、データ抽出、およびトレーサビリティも必要です。
これらの問題に取り組むために、この記事では、材料知識グラフ（MKG）を紹介します。これは、大規模な言語モデルと統合された高度な自然言語処理技術を利用して、162,605ノードと731,772のエッジを含む10年分の高品質の研究を抽出し、体系的に編成します。
MKGは、細心の注意を払って設計されたオントロジーを中心に構成された名前、式、アプリケーションなどの包括的なラベルに情報を分類し、データの使いやすさと統合を強化します。
ネットワークベースのアルゴリズムを実装することにより、MKGは効率的なリンク予測を促進するだけでなく、従来の実験方法への依存を大幅に削減します。
この構造化されたアプローチは、材料の研究を合理化するだけでなく、より洗練された科学知識グラフの基礎を築きます。

要約(オリジナル)

Knowledge in materials science is widely dispersed across extensive scientific literature, posing significant challenges to the efficient discovery and integration of new materials. Traditional methods, often reliant on costly and time-consuming experimental approaches, further complicate rapid innovation. Addressing these challenges, the integration of artificial intelligence with materials science has opened avenues for accelerating the discovery process, though it also demands precise annotation, data extraction, and traceability of information. To tackle these issues, this article introduces the Materials Knowledge Graph (MKG), which utilizes advanced natural language processing techniques integrated with large language models to extract and systematically organize a decade’s worth of high-quality research into structured triples, contains 162,605 nodes and 731,772 edges. MKG categorizes information into comprehensive labels such as Name, Formula, and Application, structured around a meticulously designed ontology, thus enhancing data usability and integration. By implementing network-based algorithms, MKG not only facilitates efficient link prediction but also significantly reduces reliance on traditional experimental methods. This structured approach not only streamlines materials research but also lays the groundwork for more sophisticated science knowledge graphs.

arxiv情報

著者 Yanpeng Ye,Jie Ren,Shaozhou Wang,Yuwei Wan,Imran Razzak,Bram Hoex,Haofen Wang,Tong Xie,Wenjie Zhang
発行日 2025-05-15 02:03:46+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.AI, cs.CL | Construction and Application of Materials Knowledge Graph in Multidisciplinary Materials Science via Large Language Model はコメントを受け付けていません

RT-cache: Efficient Robot Trajectory Retrieval System

投稿日: 2025年5月15日 作成者: jarxiv

要約

このホワイトペーパーでは、ビッグデータの検索を活用して経験から学ぶことにより、現実世界のロボット推論を加速する新しいTraujectoryMemoryパイプラインであるRT-Cacheを紹介します。
最新のビジョン言語アクション（VLA）モデルは多様なロボットタスクを処理できますが、多くの場合、ステップあたりの推論コストが高いため、タスクあたりの数分間、かなりの遅延が発生します。
対照的に、RTキャッシュは、以前に成功したロボットの軌跡の大規模なメモリを保存し、関連する多段階モーションスニペ​​ットを取得し、推論のオーバーヘッドを大幅に削減します。
メモリビルダーを軌道検索と統合することにより、非常に大きなデータセットでも扱いやすい効率的な検索プロセスを開発します。
RT-Cacheは、現在のシーンが過去の状態と一致するたびに、実際の経験を柔軟に蓄積し、それらを再生し、追加のサンプルしかない新しいまたは目に見えない環境に迅速に適応します。
Open-X実施形態データセットおよびその他の実際のデータの実験は、RTキャッシュが検索を欠くベースラインよりも速く、より正常にタスクを完了することを示しており、リアルタイム操作のための実用的なデータ駆動型ソリューションを示唆しています。

要約(オリジナル)

This paper introduces RT-cache, a novel trajectorymemory pipeline that accelerates real-world robot inference by leveraging big-data retrieval and learning from experience. While modern Vision-Language-Action (VLA) models can handle diverse robotic tasks, they often incur high per-step inference costs, resulting in significant latency, sometimes minutes per task. In contrast, RT-cache stores a large-scale Memory of previously successful robot trajectories and retrieves relevant multistep motion snippets, drastically reducing inference overhead. By integrating a Memory Builder with a Trajectory Retrieval, we develop an efficient retrieval process that remains tractable even for extremely large datasets. RT-cache flexibly accumulates real-world experiences and replays them whenever the current scene matches past states, adapting quickly to new or unseen environments with only a few additional samples. Experiments on the Open-X Embodiment Dataset and other real-world data demonstrate that RT-cache completes tasks both faster and more successfully than a baseline lacking retrieval, suggesting a practical, data-driven solution for real-time manipulation.

arxiv情報

著者 Owen Kwon,Abraham George,Alison Bartsch,Amir Barati Farimani
発行日 2025-05-14 00:41:44+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.AI, cs.CV, cs.LG, cs.RO | RT-cache: Efficient Robot Trajectory Retrieval System はコメントを受け付けていません

Reach-Avoid-Stabilize Using Admissible Control Sets

投稿日: 2025年5月15日 作成者: jarxiv

要約

Hamilton-Jacobi Reachability（HJR）分析は、多くのロボット工学および制御タスクで成功裏に使用されており、エージェントが州の制約を満たしながら目標に到達できるようにするリーチ避難セットと制御法則を計算するのに特に効果的です。
ただし、元のHJR定式化は、a）処方された時間の地平線、またはb）目標の満足度後の安全性の保証を提供しません。
したがって、Reach-Avoid Stabilize（RAS）の問題は多くの焦点を獲得しています。初期状態（RASセット）のセットを見つけて、軌跡がターゲットに到達し、障害物を避けながら何らかの関心（POI）に安定します。
HJRを使用してRASの問題を解決するには、通常、ゼロサブレベルセットがRASセットである新しい値関数を定義する必要があります。
既存の方法は、到達するための一連のターゲットや避難する障害がある場合、問題を考慮しません。
許容される制御セットのアイデアを使用する方法を提案します。
指定された時系列で規定されている障害を避けながら、システムが各ターゲットに到達することを保証します。
さらに、軌道が最終的にPOIに安定することを保証します。
提案された方法は、安全性を保証するRASセットの承認不足を提供します。
理論を検証するために数値例が提供されています。

要約(オリジナル)

Hamilton-Jacobi Reachability (HJR) analysis has been successfully used in many robotics and control tasks, and is especially effective in computing reach-avoid sets and control laws that enable an agent to reach a goal while satisfying state constraints. However, the original HJR formulation provides no guarantees of safety after a) the prescribed time horizon, or b) goal satisfaction. The reach-avoid-stabilize (RAS) problem has therefore gained a lot of focus: find the set of initial states (the RAS set), such that the trajectory can reach the target, and stabilize to some point of interest (POI) while avoiding obstacles. Solving RAS problems using HJR usually requires defining a new value function, whose zero sub-level set is the RAS set. The existing methods do not consider the problem when there are a series of targets to reach and/or obstacles to avoid. We propose a method that uses the idea of admissible control sets; we guarantee that the system will reach each target while avoiding obstacles as prescribed by the given time series. Moreover, we guarantee that the trajectory ultimately stabilizes to the POI. The proposed method provides an under-approximation of the RAS set, guaranteeing safety. Numerical examples are provided to validate the theory.

arxiv情報

著者 Zheng Gong,Boyang Li,Sylvia Herbert
発行日 2025-05-14 01:42:59+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 | Reach-Avoid-Stabilize Using Admissible Control Sets はコメントを受け付けていません

Solving Reach- and Stabilize-Avoid Problems Using Discounted Reachability

投稿日: 2025年5月15日 作成者: jarxiv

要約

この記事では、最悪の障害の下でも制約を違反することなく、ターゲットセットに到達または安定化するために制御または安定化できる状態のセットを見つけることが目標である一般的な非線形連続時間システムの無限ホロイゾンリーチアボイド（RA）および安定化避難（SA）ゼロサムゲームの問題を検討します。
Hamilton-Jacobi Reachabilityメソッドに基づいて、ゼロサブレベルセットがRAセットを正確に特徴付ける新しいLipschitz連続RA値関数を設計することにより、RAの問題に対処します。
関連するBellmanバックアップ演算子は収縮性であり、RA値関数がハミルトン – ヤコビ変異不等式のユニークな粘度ソリューションであることを確立します。
最後に、RA戦略を最近提案された堅牢な制御リアプノフ価値関数と統合することにより、SA問題の2段階のフレームワークを開発し、それによりターゲットの到達可能性と長期安定性の両方を確保します。
3D Dubins Car SystemのRAおよびSAフレームワークを数値的に検証して、提案されたアプローチの有効性を実証します。

要約(オリジナル)

In this article, we consider the infinite-horizon reach-avoid (RA) and stabilize-avoid (SA) zero-sum game problems for general nonlinear continuous-time systems, where the goal is to find the set of states that can be controlled to reach or stabilize to a target set, without violating constraints even under the worst-case disturbance. Based on the Hamilton-Jacobi reachability method, we address the RA problem by designing a new Lipschitz continuous RA value function, whose zero sublevel set exactly characterizes the RA set. We establish that the associated Bellman backup operator is contractive and that the RA value function is the unique viscosity solution of a Hamilton-Jacobi variational inequality. Finally, we develop a two-step framework for the SA problem by integrating our RA strategies with a recently proposed Robust Control Lyapunov-Value Function, thereby ensuring both target reachability and long-term stability. We numerically verify our RA and SA frameworks on a 3D Dubins car system to demonstrate the efficacy of the proposed approach.

arxiv情報

著者 Boyang Li,Zheng Gong,Sylvia Herbert
発行日 2025-05-14 02:04:57+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, math.OC | Solving Reach- and Stabilize-Avoid Problems Using Discounted Reachability はコメントを受け付けていません

A Novel 6-axis Force/Torque Sensor Using Inductance Sensors

投稿日: 2025年5月15日 作成者: jarxiv

要約

このペーパーでは、誘導センシング技術に基づいた新しい6軸力/トルク（F/T）センサーを紹介します。
直接接触と外部増幅を必要とする従来のひずみゲージベースのセンサーとは異なり、提案されたセンサーは非接触誘導測定を利用して、導電性ターゲットの変位を介して力を推定します。
CAN-FDベースの信号処理モジュールをPCBに直接組み込み、外部DAQシステムなしで最大4 kHzで高速データ収集を可能にすることにより、コンパクトで完全に統合されたアーキテクチャが達成されます。
センシングメカニズムは、合理的な関数フィッティングアプローチを通じてモデル化および較正され、他の非線形モデルと比較して、ルート平均平方根誤差（RMSE）、測定係数（$ r^2 $）、および直線性誤差に関して優れた性能を示しました。
静的および再現性の実験は、センサーの精度を検証し、0.03〜Nの解像度と55,000ステップを超える量子化レベルを達成し、市販のセンサーのそれを上回ります。
センサーは、低いクロストーク、高感度、堅牢なノイズ特性も示します。
そのパフォーマンスと構造により、特にコンパクトさ、非接触操作、統合処理が不可欠なシナリオでは、精密ロボットアプリケーションに適しています。

要約(オリジナル)

This paper presents a novel six-axis force/torque (F/T) sensor based on inductive sensing technology. Unlike conventional strain gauge-based sensors that require direct contact and external amplification, the proposed sensor utilizes non-contact inductive measurements to estimate force via displacement of a conductive target. A compact, fully integrated architecture is achieved by incorporating a CAN-FD based signal processing module directly onto the PCB, enabling high-speed data acquisition at up to 4~kHz without external DAQ systems. The sensing mechanism is modeled and calibrated through a rational function fitting approach, which demonstrated superior performance in terms of root mean square error (RMSE), coefficient of determination ($R^2$), and linearity error compared to other nonlinear models. Static and repeatability experiments validate the sensor’s accuracy, achieving a resolution of 0.03~N and quantization levels exceeding 55,000 steps, surpassing that of commercial sensors. The sensor also exhibits low crosstalk, high sensitivity, and robust noise characteristics. Its performance and structure make it suitable for precision robotic applications, especially in scenarios where compactness, non-contact operation, and integrated processing are essential.

arxiv情報

著者 Hyun-Bin Kim,Kyung-Soo Kim
発行日 2025-05-14 02:09:38+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, physics.ins-det | A Novel 6-axis Force/Torque Sensor Using Inductance Sensors はコメントを受け付けていません