{"id":42696,"date":"2026-03-05T08:59:53","date_gmt":"2026-03-05T07:59:53","guid":{"rendered":"https:\/\/www.l3s.de\/?p=42696"},"modified":"2026-03-25T16:43:43","modified_gmt":"2026-03-25T15:43:43","slug":"physics-informed-ai-makes-soft-robots-faster-and-more-precise","status":"publish","type":"post","link":"https:\/\/www.l3s.de\/de\/physics-informed-ai-makes-soft-robots-faster-and-more-precise\/","title":{"rendered":"Physikbasierte KI erm\u00f6glicht schnelle und generalisierbare Modelle"},"content":{"rendered":"

L3S Beste Ver\u00f6ffentlichung des Quartals (Q3+Q4\/2025)<\/strong> 
<\/strong>Category: Physics-informed ML<\/strong><\/p>\n\n\n\n

Generalizable and Fast Surrogates: Model Predictive Control of Articulated Soft Robots using Physics-Informed Neural Networks<\/strong> <\/p>\n\n\n\n

Autoren: Tim-Lukas Habich; Aran Mohammad; Simon F. G. Ehlers; Martin Bensch; Thomas Seel; Moritz Schappler <\/p>\n\n\n\n

Erschienen in IEEE Transactions on Robotics<\/em> <\/p>\n\n\n\n

<\/div>\n\n\n\n

Die Ver\u00f6ffentlichung in K\u00fcrze:<\/strong> <\/p>\n\n\n\n

Die Arbeit befasst sich mit dem Problem der Generalisierbarkeit gelernter (Black-Box-)Modelle f\u00fcr unbekannte Systemdom\u00e4nen durch Einbeziehung von physikalischem Wissen. Zwar konzentriert sich die Forschung auf die Soft-Robotik, doch das vorgeschlagene physikinformierte neuronale Netzwerk ist auf eine Vielzahl technischer Bereiche anwendbar. <\/p>\n\n\n\n

Welche potenziellen Auswirkungen haben Ihre Ergebnisse? <\/strong> <\/p>\n\n\n\n

Physikinformierte neuronale Netzwerke (PINN) k\u00f6nnen in vielen technischen Bereichen vielversprechend sein. Dies gilt insbesondere dann, wenn physikalisches Modellwissen (z. B. Differentialgleichungen) verf\u00fcgbar ist, die Systemmodelle f\u00fcr die Anwendung jedoch zu langsam sind. Es kann auch vorkommen, dass das physikalische Modell ungenau ist und mit einer geringen Menge an Daten aus der realen Welt verbessert werden kann. Das vorgeschlagene PINN kann als schnelles, genaues und generalisierbares Ersatzmodell von dynamischen Systemen dienen und rechenintensive Anwendungen, wie zum Beispiel modellpr\u00e4diktive Regelung oder schnelle Simulationen, erm\u00f6glichen.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Link zum vollst\u00e4ndigen Artikel: https:\/\/ieeexplore.ieee.org\/document\/11242009<\/a><\/p>\n\n\n\n

<\/p>","protected":false},"excerpt":{"rendered":"

Physikbasierte neuronale Netze k\u00f6nnen Black-Box-Modelle zuverl\u00e4ssiger machen. Das Ergebnis sind vielseitig einsetzbare Ersatzmodelle f\u00fcr komplexe Anwendungen, etwa die pr\u00e4zise Steuerung weicher Roboter. <\/p>","protected":false},"author":13,"featured_media":42698,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[161],"tags":[],"class_list":["post-42696","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-best-publications"],"acf":[],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t