論文の概要: Prediction with Approximated Gaussian Process Dynamical Models
- arxiv url: http://arxiv.org/abs/2006.14551v2
- Date: Tue, 30 Nov 2021 15:38:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 04:39:20.391659
- Title: Prediction with Approximated Gaussian Process Dynamical Models
- Title（参考訳）: 近似ガウス過程力学モデルによる予測
- Authors: Thomas Beckers and Sandra Hirche
- Abstract要約: 我々はマルコフであるGPDMを近似し、その制御理論的性質を解析する。
結果は、近似モデルのパワーを示す数値的な例で示される。
- 参考スコア（独自算出の注目度）: 7.678864239473703
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The modeling and simulation of dynamical systems is a necessary step for many
control approaches. Using classical, parameter-based techniques for modeling of
modern systems, e.g., soft robotics or human-robot interaction, is often
challenging or even infeasible due to the complexity of the system dynamics. In
contrast, data-driven approaches need only a minimum of prior knowledge and
scale with the complexity of the system. In particular, Gaussian process
dynamical models (GPDMs) provide very promising results for the modeling of
complex dynamics. However, the control properties of these GP models are just
sparsely researched, which leads to a "blackbox" treatment in modeling and
control scenarios. In addition, the sampling of GPDMs for prediction purpose
respecting their non-parametric nature results in non-Markovian dynamics making
the theoretical analysis challenging. In this article, we present approximated
GPDMs which are Markov and analyze their control theoretical properties. Among
others, the approximated error is analyzed and conditions for boundedness of
the trajectories are provided. The outcomes are illustrated with numerical
examples that show the power of the approximated models while the the
computational time is significantly reduced.
- Abstract（参考訳）: 力学系のモデリングとシミュレーションは多くの制御手法にとって必要なステップである。
古典的なパラメータベースのモデリング手法、例えばソフトロボティクスや人間とロボットの相互作用は、システムダイナミクスの複雑さのためにしばしば困難または実現不可能である。
対照的に、データ駆動アプローチは、システムの複雑さを伴う最小限の事前知識とスケールしか必要としない。
特に、ガウス過程力学モデル(GPDM)は複雑な力学のモデリングに非常に有望な結果をもたらす。
しかし、これらのGPモデルの制御特性はわずかに研究されており、モデリングや制御シナリオにおける「ブラックボックス」処理に繋がる。
さらに、GPDMの非パラメトリックな性質に対する予測目的のサンプリングにより、非マルコフ力学は理論解析を困難にしている。
本稿では,マルコフであるGPDMを近似し,その制御理論的性質を解析する。
中でも、近似誤差を解析し、軌道の有界性に関する条件を提供する。
この結果は、近似モデルのパワーを示す数値的な例で示され、計算時間が大幅に短縮される。
関連論文リスト
- Learning minimal representations of stochastic processes with
variational autoencoders [52.99137594502433]
プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。
我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
論文 参考訳（メタデータ） (2023-07-21T14:25:06Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Domain-aware Control-oriented Neural Models for Autonomous Underwater
Vehicles [2.4779082385578337]
ドメイン認識のレベルが異なる制御指向パラメトリックモデルを提案する。
データ駆動型ブラックボックスとAUVダイナミクスのグレイボックス表現を構築するために、普遍微分方程式を用いる。
論文 参考訳（メタデータ） (2022-08-15T17:01:14Z) - On the Influence of Enforcing Model Identifiability on Learning dynamics
of Gaussian Mixture Models [14.759688428864159]
特異モデルからサブモデルを抽出する手法を提案する。
本手法はトレーニング中のモデルの識別性を強制する。
この手法がディープニューラルネットワークのようなより複雑なモデルにどのように適用できるかを示す。
論文 参考訳（メタデータ） (2022-06-17T07:50:22Z) - Capturing Actionable Dynamics with Structured Latent Ordinary
Differential Equations [68.62843292346813]
本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。
静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
論文 参考訳（メタデータ） (2022-02-25T20:00:56Z) - Learning continuous models for continuous physics [94.42705784823997]
本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。
本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
論文 参考訳（メタデータ） (2022-02-17T07:56:46Z) - Constructing Neural Network-Based Models for Simulating Dynamical
Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。
本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。
基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文 参考訳（メタデータ） (2021-11-02T10:51:42Z) - KNODE-MPC: A Knowledge-based Data-driven Predictive Control Framework
for Aerial Robots [5.897728689802829]
我々は、知識に基づくニューラル常微分方程式(KNODE)というディープラーニングツールを用いて、第一原理から得られたモデルを拡張する。
得られたハイブリッドモデルは、名目上の第一原理モデルと、シミュレーションまたは実世界の実験データから学習したニューラルネットワークの両方を含む。
閉ループ性能を改善するため、ハイブリッドモデルはKNODE-MPCとして知られる新しいMPCフレームワークに統合される。
論文 参考訳（メタデータ） (2021-09-10T12:09:18Z) - 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) - 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) - Automatic Differentiation and Continuous Sensitivity Analysis of Rigid
Body Dynamics [15.565726546970678]
剛体力学のための微分可能な物理シミュレータを提案する。
軌道最適化の文脈では、閉ループモデル予測制御アルゴリズムを導入する。
論文 参考訳（メタデータ） (2020-01-22T03:54:00Z)
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。