개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 발행연도
- 2025.5
- 수록면
- 490 - 495 (6page)
- DOI
- 10.5302/J.ICROS.2025.25.0044
이용수
초록· 키워드
오류제보하기
This study presents a machine learning-based approach for optimizing Young’s modulus, a critical physical parameter of soft robots. Instead of directly utilizing conventional material property data, the method predicts Young's modulus based on positional coordinate data measured from key points on the deformed soft robot. The research consists of simulation and experimental phases. In the simulation phase, the convergence of the Young’s modulus estimation framework is first validated through gradient descent optimization. Subsequently, random forest and neural network models are trained using coordinate data collected over a Young’s modulus range of 10²–10¹⁰ Pa. The random forest model exhibits the lowest RMSE for predicting specific Young’s modulus values (10⁶ and 10⁸ Pa), demonstrating optimal performance. In the experimental phase, deformation data from a TPU-based 3D-printed soft robot are applied to the optimized random forest model to predict Young’s modulus in real-world conditions. The proposed method provides realistic predictions compared to publicly available modulus values. These findings confirm that simulation-trained machine learning models can be effectively applied to optimize soft robot design and control, enhancing the reliability of digital twins and soft robot engineering.
목차
Abstract
I. 서론
II. 연구 방법론
III. 실험 결과 및 고찰
IV. 결론 및 향후 연구
REFERENCES
참고문헌 (0)
참고문헌 신청이 논문과 함께 이용한 논문
최근 본 자료
댓글(0)
0