Wir freuen uns über unseren Beitrag in IEEE Transactions on Robotics (T-RO). Herzlichen Glückwunsch an die Autoren!
Generalizable and Fast Surrogates: Model Predictive Control of Articulated Soft Robots using Physics-Informed Neural Networks. Tim-Lukas Habich, Aran Mohammad, Simon Ehlers, Martin Bensch, Thomas Seel und Moritz Schappler
Diese Arbeit befasst sich mit dem Problem der Generalisierbarkeit gelernter (Black-Box-)Modelle für unbekannte Systemdomänen durch Einbeziehung von physikalischem Wissen. Zwar konzentriert sich die Forschung auf die Soft-Robotik, doch das vorgeschlagene physikalisch-informierte neuronale Netzwerk ist auf eine Vielzahl technischer Bereiche anwendbar, die schnelle, genaue und generalisierbare Modelle dynamischer Systeme erfordern.
Wir danken dem gesamten Team, insbesondere Tim-Lukas Habich, für die engagierte Arbeit an diesem Projekt. Eure Zusammenarbeit und harte Arbeit hat eine entscheidende Rolle für diesen Erfolg gespielt.
Weitere Infos findet ihr hier: Paper auf arXiv, open-source Hardware und open-source Software