arXiv:2502.01916v3 Announce Type: replace-cross 
Abstract: Soft robots can revolutionize several applications with high demands on dexterity and safety. When operating these systems, real-time estimation and control require fast and accurate models. However, prediction with first-principles (FP) models is slow, and learned black-box models have poor generalizability. Physics-informed machine learning offers excellent advantages here, but it is currently limited to simple, often simulated systems without considering changes after training. We propose physics-informed neural networks (PINNs) for articulated soft robots (ASRs) with a focus on data efficiency. The amount of expensive real-world training data is reduced to a minimum -- one dataset in one system domain. Two hours of data in different domains are used for a comparison against two gold-standard approaches: In contrast to a recurrent neural network, the PINN provides a high generalizability. The prediction speed of an accurate FP model is exceeded with the PINN by up to a factor of 467 at slightly reduced accuracy. This enables nonlinear model predictive control (MPC) of a pneumatic ASR. Accurate position tracking with the MPC running at 47 Hz is achieved in six dynamic experiments.

يتناول المقال تطوير الشبكات العصبية المستندة إلى الفيزياء (PINNs) للروبوتات اللينة المفصلية (ASRs)، مع التركيز على قدرتها على تحسين التقدير والتحكم في الوقت الحقيقي. النماذج التقليدية المستندة إلى المبادئ الأساسية بطيئة، بينما تفتقر النماذج السوداء إلى القابلية للتعميم. تهدف PINNs المقترحة إلى تحسين كفاءة البيانات، مما يتطلب الحد الأدنى من بيانات التدريب الواقعية. تُظهر المقارنة أن PINNs تتفوق على الشبكات العصبية المتكررة من حيث القابلية للتعميم وسرعة التنبؤ، مما يجعلها حلاً واعدًا لتطبيقات الروبوتات اللينة.

El artículo aborda el desarrollo de redes neuronales informadas por la física (PINNs) para robots suaves articulados (ASRs), destacando su potencial para mejorar la estimación y el control en tiempo real. Los modelos tradicionales basados en principios fundamentales son lentos, mientras que los modelos de caja negra carecen de generalizabilidad. Las PINNs propuestas buscan mejorar la eficiencia de los datos, requiriendo un mínimo de datos de entrenamiento del mundo real. Una comparación muestra que las PINNs superan a las redes neuronales recurrentes en términos de generalizabilidad y velocida…

L'article traite du développement de réseaux de neurones informés par la physique (PINNs) pour les robots souples articulés (ASRs), en mettant l'accent sur leur potentiel à améliorer l'estimation et le contrôle en temps réel. Les modèles traditionnels basés sur des principes fondamentaux sont lents, tandis que les modèles en boîte noire manquent de généralisabilité. Les PINNs proposés visent à améliorer l'efficacité des données, nécessitant un minimum de données d'entraînement réelles. Une comparaison montre que les PINNs surpassent les réseaux de neurones récurrents en termes de généralisabil…

The article discusses the development of physics-informed neural networks (PINNs) for articulated soft robots (ASRs), emphasizing their potential to enhance real-time estimation and control. Traditional first-principles models are slow, while black-box models lack generalizability. The proposed PINNs aim to improve data efficiency, requiring minimal real-world training data. A comparison shows that PINNs outperform recurrent neural networks in terms of generalizability and prediction speed, making them a promising solution for soft robotics applications.

Generalizable and Fast Surrogates: Model Predictive Control of Articulated Soft Robots using Physics-Informed Neural Networks

One More Thing in AI – Your Shortcut to AI Mastery

Generalizable and Fast Surrogates: Model Predictive Control of Articulated Soft Robots using Physics-Informed Neural Networks

Was this article worth reading? Share it

One More Thing in AI

LucidQuery AI

Octofy

GPTHumanizer

Artefacts.ai

Dyad

Ready to build your own newsroom?