論文の概要: Scalable Identification of Partially Observed Systems with
Certainty-Equivalent EM
- arxiv url: http://arxiv.org/abs/2006.11615v1
- Date: Sat, 20 Jun 2020 16:46:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-18 22:47:41.669294
- Title: Scalable Identification of Partially Observed Systems with
Certainty-Equivalent EM
- Title（参考訳）: 完全等価EMを用いた部分観測システムのスケーラブル同定
- Authors: Kunal Menda, Jean de Becdeli\`evre, Jayesh K. Gupta, Ilan Kroo, Mykel
J. Kochenderfer and Zachary Manchester
- Abstract要約: この研究は、部分的に観察された非線形系のオフライン同定について考察する。
一定の等価な予測-最大化をブロック座標として定式化する。
また, エアロバティックヘリコプターの動力学の同定にも本手法が用いられている。
- 参考スコア（独自算出の注目度）: 33.51918154139981
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: System identification is a key step for model-based control, estimator
design, and output prediction. This work considers the offline identification
of partially observed nonlinear systems. We empirically show that the
certainty-equivalent approximation to expectation-maximization can be a
reliable and scalable approach for high-dimensional deterministic systems,
which are common in robotics. We formulate certainty-equivalent
expectation-maximization as block coordinate-ascent, and provide an efficient
implementation. The algorithm is tested on a simulated system of coupled Lorenz
attractors, demonstrating its ability to identify high-dimensional systems that
can be intractable for particle-based approaches. Our approach is also used to
identify the dynamics of an aerobatic helicopter. By augmenting the state with
unobserved fluid states, a model is learned that predicts the acceleration of
the helicopter better than state-of-the-art approaches. The codebase for this
work is available at https://github.com/sisl/CEEM.
- Abstract（参考訳）: システム同定は、モデルベース制御、推定器設計、出力予測のための重要なステップである。
この研究は、部分的に観測された非線形システムのオフライン識別を考察する。
我々は,ロボット工学に共通する高次元決定論システムにおいて,期待-最大化に対する一定の等価近似が信頼性が高くスケーラブルなアプローチであることを示す。
一定の等価期待最大化をブロック座標の上昇として定式化し、効率的な実装を提供する。
このアルゴリズムは結合されたローレンツ誘引子のシミュレートされたシステム上でテストされ、粒子ベースのアプローチで難解な高次元システムを特定する能力を示す。
また, エアロバティックヘリコプターの動力学の同定にも利用した。
観測されていない流体状態で状態を強化することで、最新技術よりもヘリコプターの加速を予測できるモデルが学習される。
この作業のコードベースはhttps://github.com/sisl/CEEMで公開されている。
関連論文リスト
- Learning Controlled Stochastic Differential Equations [61.82896036131116]
本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。
我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。
当社のメソッドはオープンソースPythonライブラリとして利用可能です。
論文 参考訳（メタデータ） (2024-11-04T11:09:58Z) - Data-Driven Distributionally Robust Safety Verification Using Barrier Certificates and Conditional Mean Embeddings [0.24578723416255752]
問題を非現実的な仮定にシフトすることなく,スケーラブルな形式検証アルゴリズムを開発する。
問題を非現実的な仮定にシフトさせることなく,スケーラブルな形式検証アルゴリズムを開発するためには,バリア証明書の概念を用いる。
本稿では,2乗法最適化とガウス過程エンベロープを用いて効率よくプログラムを解く方法を示す。
論文 参考訳（メタデータ） (2024-03-15T17:32:02Z) - Learning-Based Optimal Control with Performance Guarantees for Unknown Systems with Latent States [4.4820711784498]
本稿では,潜在状態を持つ未知非線形系に対する最適入力軌道の計算法を提案する。
提案手法の有効性を数値シミュレーションで示す。
論文 参考訳（メタデータ） (2023-03-31T11:06:09Z) - Formal Controller Synthesis for Markov Jump Linear Systems with
Uncertain Dynamics [64.72260320446158]
マルコフジャンプ線形系に対する制御器の合成法を提案する。
本手法は,MJLSの離散(モードジャンピング)と連続(確率線形)の両方の挙動を捉える有限状態抽象化に基づいている。
本手法を複数の現実的なベンチマーク問題,特に温度制御と航空機の配送問題に適用する。
論文 参考訳（メタデータ） (2022-12-01T17:36:30Z) - 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) - Physics-integrated hybrid framework for model form error identification
in nonlinear dynamical systems [0.0]
実生活の非線形系では、正確な非線形性の形式はよく知られておらず、既知の支配方程式は特定の仮定や近似に基づいていることが多い。
モデル形状の誤差を識別するだけでなく、既知のが近似的な支配方程式の予測能力を向上させるためにも活用する、新しいグレーボックスモデリング手法を提案する。
論文 参考訳（メタデータ） (2021-09-01T16:29:21Z) - 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) - Robots State Estimation and Observability Analysis Based on Statistical
Motion Models [10.941793802354953]
本稿では,移動ロボットの動特性(翻訳と回転)を捉える汎用動作モデルを提案する。
このモデルは白色ランダムプロセスによって駆動される統計モデルに基づいており、エラー状態拡張カルマンフィルタリングフレームワーク(ESEKF)に基づく完全な状態推定アルゴリズムに定式化されている。
システム状態の観測不能なサブセットを特徴付けるために、新しいtexttextbfitthin セットの概念が導入された。
論文 参考訳（メタデータ） (2020-10-12T18:35:33Z) - Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。
本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。
このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
論文 参考訳（メタデータ） (2020-09-29T12:50:33Z) - Kernel-based parameter estimation of dynamical systems with unknown
observation functions [15.1749038371963]
低次元力学系は高次元信号として実験で観察される。
時間進化を1回だけ測定することで、基礎となるシステムのパラメータを推定できるだろうか?
この推定を行うための重要な情報は、信号とモデルの間の時間的相互依存性にある。
論文 参考訳（メタデータ） (2020-09-09T07:29:11Z) - Active Learning for Nonlinear System Identification with Guarantees [102.43355665393067]
状態遷移が既知の状態-作用対の特徴埋め込みに線形に依存する非線形力学系のクラスについて検討する。
そこで本稿では, トラジェクティブ・プランニング, トラジェクティブ・トラッキング, システムの再推定という3つのステップを繰り返すことで, この問題を解決するためのアクティブ・ラーニング・アプローチを提案する。
本手法は, 非線形力学系を標準線形回帰の統計速度と同様, パラメトリック速度で推定する。
論文 参考訳（メタデータ） (2020-06-18T04:54:11Z)
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。