論文の概要: A First Principles Approach for Data-Efficient System Identification of
Spring-Rod Systems via Differentiable Physics Engines
- arxiv url: http://arxiv.org/abs/2004.13859v1
- Date: Tue, 28 Apr 2020 21:37:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 23:51:44.305212
- Title: A First Principles Approach for Data-Efficient System Identification of
Spring-Rod Systems via Differentiable Physics Engines
- Title（参考訳）: 微分可能な物理エンジンによるばねロッドシステムのデータ効率的なシステム同定のための第一原理アプローチ
- Authors: Kun Wang, Mridul Aanjaneya, Kostas Bekris
- Abstract要約: 複雑なスプリングロッドアセンブリのシステム同定のための新しい微分可能な物理エンジンを提案する。
従来の物理エンジンと同様、動作の制御方程式の離散形式を用いて、エンジンの設計をモジュール化する。
副作用として、回帰パラメータは物理量に対応しており、パイプラインを説明可能である。
- 参考スコア（独自算出の注目度）: 10.226310620727942
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a novel differentiable physics engine for system identification of
complex spring-rod assemblies. Unlike black-box data-driven methods for
learning the evolution of a dynamical system and its parameters, we modularize
the design of our engine using a discrete form of the governing equations of
motion, similar to a traditional physics engine. We further reduce the
dimension from 3D to 1D for each module, which allows efficient learning of
system parameters using linear regression. As a side benefit, the regression
parameters correspond to physical quantities, such as spring stiffness or the
mass of the rod, making the pipeline explainable. The approach significantly
reduces the amount of training data required, and also avoids iterative
identification of data sampling and model training. We compare the performance
of the proposed engine with previous solutions, and demonstrate its efficacy on
tensegrity systems, such as NASA's icosahedron.
- Abstract（参考訳）: 複雑なスプリングロッドアセンブリのシステム同定のための新しい微分可能な物理エンジンを提案する。
力学系とそのパラメータの進化を学習するためのブラックボックスデータ駆動手法とは異なり、従来の物理エンジンと同様に、制御方程式の離散形式を用いてエンジンの設計をモジュール化する。
さらに,各モジュールの次元を3次元から1次元に減らし,線形回帰を用いたシステムパラメータの効率的な学習を可能にする。
副作用として、回帰パラメータはバネ剛性やロッドの質量などの物理量に対応しており、パイプラインを説明可能である。
このアプローチは、必要なトレーニングデータの量を大幅に削減し、データサンプリングとモデルトレーニングの反復的識別を回避する。
提案するエンジンの性能を従来のソリューションと比較し,nasaのicosahedronのようなテンセグリティシステムの有効性を実証した。
関連論文リスト
- Physics Encoded Blocks in Residual Neural Network Architectures for Digital Twin Models [2.8720819157502344]
本稿では,新しい物理符号化残差ニューラルネットワークアーキテクチャに基づく汎用的アプローチを提案する。
本手法は,物理モデルからの数学的演算子として物理ブロックを,フィードフォワード層を構成する学習ブロックと組み合わせる。
従来のニューラルネットワーク方式と比較して,本手法はデータ要求量を大幅に減らして一般化性を向上させる。
論文 参考訳（メタデータ） (2024-11-18T11:58:20Z) - Learning Physics From Video: Unsupervised Physical Parameter Estimation for Continuous Dynamical Systems [49.11170948406405]
ビデオからの自動パラメータ推定の最先端は、大規模データセット上で教師付きディープネットワークをトレーニングすることによって解決される。
単一ビデオから, 既知, 連続制御方程式の物理パラメータを推定する手法を提案する。
論文 参考訳（メタデータ） (2024-10-02T09:44:54Z) - Automatic Parameterization for Aerodynamic Shape Optimization via Deep
Geometric Learning [60.69217130006758]
空力形状最適化のための形状パラメータ化を完全に自動化する2つの深層学習モデルを提案する。
どちらのモデルも、深い幾何学的学習を通じてパラメータ化し、人間の事前知識を学習された幾何学的パターンに埋め込むように最適化されている。
2次元翼の形状最適化実験を行い、2つのモデルに適用可能なシナリオについて論じる。
論文 参考訳（メタデータ） (2023-05-03T13:45:40Z) - Neural Lumped Parameter Differential Equations with Application in
Friction-Stir Processing [2.158307833088858]
Lumpedパラメータ法は、空間的拡張または連続的な物理系の進化を単純化することを目的としている。
一般化微分方程式(Universal Differential Equation)の概念に基づいてデータ駆動モデルを構築する。
論文 参考訳（メタデータ） (2023-04-18T15:11:27Z) - Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。
ニューラル微分方程式モデルに基づく新しい手法を提案する。
我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
論文 参考訳（メタデータ） (2022-07-21T12:11:18Z) - 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) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳（メタデータ） (2021-02-15T19:56:48Z) - Data-Efficient Learning for Complex and Real-Time Physical Problem
Solving using Augmented Simulation [49.631034790080406]
本稿では,大理石を円形迷路の中心まで航行する作業について述べる。
実システムと対話する数分以内に,複雑な環境で大理石を動かすことを学習するモデルを提案する。
論文 参考訳（メタデータ） (2020-11-14T02:03:08Z) - Spring-Rod System Identification via Differentiable Physics Engine [10.226310620727942]
複雑なスプリングロッドアセンブリのシステム同定のための新しい微分可能な物理エンジンを提案する。
従来の物理エンジンと同様、動作の制御方程式の離散形式を用いて、エンジンの設計をモジュール化する。
論文 参考訳（メタデータ） (2020-11-09T04:36:22Z) - Accurately Solving Physical Systems with Graph Learning [22.100386288615006]
本稿では,グラフネットワークを持つ物理系に対する反復解法を高速化する新しい手法を提案する。
エンド・ツー・エンドで物理システムを学習することを目的とした既存の手法とは異なり、我々のアプローチは長期的な安定性を保証する。
本手法は,従来の反復解法の性能を向上させる。
論文 参考訳（メタデータ） (2020-06-06T15:48:34Z) - Modeling System Dynamics with Physics-Informed Neural Networks Based on
Lagrangian Mechanics [3.214927790437842]
第一原則の手法は高いバイアスに悩まされるが、データ駆動モデリングは高いばらつきを持つ傾向がある。
本稿では,2つのモデリング手法を組み合わせて上記の問題を解くハイブリッドモデルであるPINODEについて述べる。
本研究の目的は,機械系のモデルベース制御とシステム同定である。
論文 参考訳（メタデータ） (2020-05-29T15:10:43Z)
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。