論文の概要: Adversarial Generation of Informative Trajectories for Dynamics System
Identification
- arxiv url: http://arxiv.org/abs/2003.01190v2
- Date: Wed, 23 Sep 2020 15:15:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 06:00:09.016795
- Title: Adversarial Generation of Informative Trajectories for Dynamics System
Identification
- Title(参考訳): 力学系同定のための情報トラックの逆生成
- Authors: Marija Jegorova, Joshua Smith, Michael Mistry, Timothy Hospedales
- Abstract要約: 制御パラメータと慣性パラメータ空間の両方で異なる励起トラジェクトリを生成する方法を示す。
これは、複数の循環軌道を持つシステム識別を探索する最初のロボティクスである。
また、データセットの生成速度と品質を高めることにより、このアプローチをさらに拡張する方法を示す。
- 参考スコア(独自算出の注目度): 3.664687661363732
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dynamic System Identification approaches usually heavily rely on the
evolutionary and gradient-based optimisation techniques to produce optimal
excitation trajectories for determining the physical parameters of robot
platforms. Current optimisation techniques tend to generate single
trajectories. This is expensive, and intractable for longer trajectories, thus
limiting their efficacy for system identification. We propose to tackle this
issue by using multiple shorter cyclic trajectories, which can be generated in
parallel, and subsequently combined together to achieve the same effect as a
longer trajectory. Crucially, we show how to scale this approach even further
by increasing the generation speed and quality of the dataset through the use
of generative adversarial network (GAN) based architectures to produce a large
databases of valid and diverse excitation trajectories. To the best of our
knowledge, this is the first robotics work to explore system identification
with multiple cyclic trajectories and to develop GAN-based techniques for
scaleably producing excitation trajectories that are diverse in both control
parameter and inertial parameter spaces. We show that our approach dramatically
accelerates trajectory optimisation, while simultaneously providing more
accurate system identification than the conventional approach.
- Abstract(参考訳): 動的システム同定手法は通常、進化的および勾配に基づく最適化技術に大きく依存し、ロボットプラットフォームの物理的パラメータを決定するための最適な励磁軌跡を生成する。
現在の最適化技術は単一の軌道を生成する傾向がある。
これは高価であり、長い軌跡に対して難解であり、システム識別の効力を制限している。
そこで本研究では,並列に生成可能な複数の短周期軌道を用いてこの問題に対処し,より長い軌道と同一の効果を達成することを提案する。
さらに,GAN(Generative Adversarial Network)に基づくアーキテクチャを用いて,データセットの生成速度と品質を向上し,有効かつ多様な励起軌道の大規模データベースを作成することにより,このアプローチをさらに拡張する方法を示す。
我々の知る限り、このロボットは、複数の循環軌道を用いたシステム識別を探索し、制御パラメータと慣性パラメータ空間の両方で多様な励起軌道を大規模に生成する技術を開発した最初のロボットである。
提案手法は軌道最適化を劇的に促進するとともに,従来手法よりも精度の高いシステム同定を実現する。
関連論文リスト
- Leveraging the Power of Data Augmentation for Transformer-based Tracking [64.46371987827312]
トラッキング用にカスタマイズされた2つのデータ拡張手法を提案する。
まず、動的探索半径機構と境界サンプルのシミュレーションにより、既存のランダムトリミングを最適化する。
第2に,背景干渉などの問題に対するモデルを可能にする,トークンレベルの機能混在強化戦略を提案する。
論文 参考訳(メタデータ) (2023-09-15T09:18:54Z) - Likely, Light, and Accurate Context-Free Clusters-based Trajectory
Prediction [0.0]
本稿では,従来の手法よりも分散シフトに対処可能な,自己条件付きGANという,より深い特徴クラスタリング手法を提案する。
また,生成した軌道に確率を割り当てる新しい距離ベースランキングの提案も提案する。
全体システムは、人間と道路エージェントの軌跡データにおける文脈自由な深層生成モデルを上回る。
論文 参考訳(メタデータ) (2023-07-27T11:29:57Z) - End-to-End Meta-Bayesian Optimisation with Transformer Neural Processes [52.818579746354665]
本稿では,ニューラルネットワークを一般化し,トランスフォーマーアーキテクチャを用いて獲得関数を学習する,エンド・ツー・エンドの差別化可能な最初のメタBOフレームワークを提案する。
我々は、この強化学習(RL)によるエンドツーエンドのフレームワークを、ラベル付き取得データの欠如に対処できるようにします。
論文 参考訳(メタデータ) (2023-05-25T10:58:46Z) - Learning Representative Trajectories of Dynamical Systems via
Domain-Adaptive Imitation [0.0]
ドメイン適応軌道模倣のための深層強化学習エージェントDATIを提案する。
実験の結果,DATIは模擬学習と最適制御のベースライン手法よりも優れていることがわかった。
実世界のシナリオへの一般化は、海上交通における異常な動きパターンの発見を通じて示される。
論文 参考訳(メタデータ) (2023-04-19T15:53:48Z) - Continuous Trajectory Generation Based on Two-Stage GAN [50.55181727145379]
本稿では,道路網上の連続軌道を生成するために,新たな2段階生成対向フレームワークを提案する。
具体的には、A*アルゴリズムの人間の移動性仮説に基づいてジェネレータを構築し、人間の移動性について学習する。
判別器では, 逐次報酬と移動ヤウ報酬を組み合わせることで, 発電機の有効性を高める。
論文 参考訳(メタデータ) (2023-01-16T09:54:02Z) - STGlow: A Flow-based Generative Framework with Dual Graphormer for
Pedestrian Trajectory Prediction [22.553356096143734]
歩行者軌跡予測(STGlow)のための二重グラフマーを用いた新しい生成フローベースフレームワークを提案する。
本手法は,動作の正確なログライクな振る舞いを最適化することにより,基礎となるデータ分布をより正確にモデル化することができる。
いくつかのベンチマークによる実験結果から,本手法は従来の最先端手法に比べて性能が向上することが示された。
論文 参考訳(メタデータ) (2022-11-21T07:29:24Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳(メタデータ) (2022-06-07T13:51:35Z) - Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。
ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。
ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
論文 参考訳(メタデータ) (2022-04-09T22:07:34Z) - Efficient Differentiable Simulation of Articulated Bodies [89.64118042429287]
本稿では, 音素の効率的な微分可能シミュレーション法を提案する。
これにより、ボディダイナミクスを深層学習フレームワークに統合することが可能になる。
提案手法を用いて, 調音システムによる強化学習を高速化できることを示す。
論文 参考訳(メタデータ) (2021-09-16T04:48:13Z) - Phase Transition Adaptation [14.034816857287044]
そこで本研究では,位相遷移適応と呼ばれる局所教師なし学習機構であるオリジナルアプローチの拡張を提案する。
提案手法が複数のデータセットに対して一貫して目的を達成できることを実験的に示す。
論文 参考訳(メタデータ) (2021-04-20T17:18:34Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。