Краткое содержание

arXiv:2502.01916v3 Тип объявления: замена-перекрёстная публикация Аннотация: Мягкие роботы могут произвести революцию в ряде приложений с высокими требованиями к ловкости и безопасности. При эксплуатации таких систем для реального времени оценка состояния и управление требуют быстрых и точных моделей. Однако прогнозирование на основе моделей первого принципа (FP-моделей) происходит медленно, а обученные "чёрные ящики" демонстрируют плохую обобщаемость. Машинное обучение, основанное на законах физики, предлагает здесь отличные преимущества, но пока ограничено простыми системами, часто симулированными, без учёта изменений после обучения. Мы предлагаем нейронные сети, основанные на физических принципах (physics-informed neural networks — PINN), предназначенные для сочленённых мягких роботов (articulated soft robots — ASR) с акцентом на эффективность использования данных. Объём дорогостоящих реальных тренировочных данных сокращён до минимума – один набор данных в одной области системы. Два часа данных из различных областей используются для сравнения с двумя эталонными подходами: по сравнению с рекуррентной нейронной сетью, PINN обеспечивает высокую обобщающую способность. Скорость предсказания точной...