Fugu-MT 論文翻訳(概要): Augmenting Differentiable Simulators with Neural Networks to Close the Sim2Real Gap

論文の概要: Augmenting Differentiable Simulators with Neural Networks to Close the Sim2Real Gap

arxiv url: http://arxiv.org/abs/2007.06045v1
Date: Sun, 12 Jul 2020 17:27:11 GMT
ステータス: 処理完了
システム内更新日: 2022-11-11 06:17:00.511093
Title: Augmenting Differentiable Simulators with Neural Networks to Close the Sim2Real Gap
Title（参考訳）: sim2real gapをクローズするニューラルネットワークによる微分可能シミュレータの拡張
Authors: Eric Heiden, David Millard, Erwin Coumans, Gaurav S. Sukhatme
Abstract要約: 本稿では,ニューラルネットワークを用いた解析モデルの任意の点における拡張を可能にする,剛体力学の微分可能なシミュレーションアーキテクチャを提案する。
参考スコア（独自算出の注目度）: 15.1962264049463
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a differentiable simulation architecture for articulated rigid-body dynamics that enables the augmentation of analytical models with neural networks at any point of the computation. Through gradient-based optimization, identification of the simulation parameters and network weights is performed efficiently in preliminary experiments on a real-world dataset and in sim2sim transfer applications, while poor local optima are overcome through a random search approach.
Abstract（参考訳）: 本稿では,ニューラルネットワークを用いた解析モデルの任意の点における拡張を可能にする,剛体力学の微分可能なシミュレーションアーキテクチャを提案する。勾配に基づく最適化により、実世界のデータセットおよびsim2sim転送アプリケーションにおける予備実験において、シミュレーションパラメータとネットワーク重みの同定を効率的に行い、ランダム探索アプローチにより局所的オプティマを克服する。

関連論文リスト

A Realistic Simulation Framework for Analog/Digital Neuromorphic Architectures [73.65190161312555]
ARCANAは、混合信号ニューロモルフィック回路の特性を考慮に入れたスパイクニューラルネットワークシミュレータである。その結果,ソフトウェアでトレーニングしたスパイクニューラルネットワークの挙動を,信頼性の高い推定結果として提示した。
論文参考訳（メタデータ） (2024-09-23T11:16:46Z)
Accelerate Neural Subspace-Based Reduced-Order Solver of Deformable Simulation by Lipschitz Optimization [9.364019847856714]
高DOFで物理シミュレーションを高速化する新しい手法として,低次シミュレーションがある。本稿では,最適化された部分空間マッピングの探索手法を提案する。準静的シミュレーションと動的シミュレーションの両方において,本手法の有効性を示す。
論文参考訳（メタデータ） (2024-09-05T12:56:03Z)
Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
論文参考訳（メタデータ） (2024-03-25T11:29:32Z)
Near-realtime Facial Animation by Deep 3D Simulation Super-Resolution [7.14576106770047]
本稿では,低コストでリアルタイムな物理シミュレーションによって生み出す顔のパフォーマンスを効率よく,現実的に向上させるニューラルネットワークに基づくシミュレーションフレームワークを提案する。顔のアニメーションをこのようなシミュレーション領域の例に用いて,2つのシミュレータで同じ筋の運動制御と骨格のポーズを単純にダイヤルすることで,この意味の一致を創り出すことができる。提案するニューラルネットワーク超解像フレームワークは,このトレーニングセットから未確認表現を一般化し,リアルタイム変種における解像度の制限やコスト削減近似による2つのシミュレーション間の不一致をモデル化するための補償を行うとともに,意味記述子やパラメータを必要としない。
論文参考訳（メタデータ） (2023-05-05T00:09:24Z)
Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
微分可能シミュレータを用いてニューラル・ポストミラー推定(NPE)を行う新しい手法を提案する。勾配情報が後部形状の制約にどのように役立ち、試料効率を向上させるかを示す。
論文参考訳（メタデータ） (2022-07-12T16:08:04Z)
Predicting Loose-Fitting Garment Deformations Using Bone-Driven Motion Networks [63.596602299263935]
本稿では,骨駆動型モーションネットワークを用いて,ゆるやかな衣服メッシュの変形を対話的に予測する学習アルゴリズムを提案する。提案手法は,メッシュ変形の予測精度を約20%,ハウスドルフ距離とSTEDで約10%向上させる。
論文参考訳（メタデータ） (2022-05-03T07:54:39Z)
Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文参考訳（メタデータ） (2021-06-05T01:31:51Z)
Learning Mesh-Based Simulation with Graph Networks [20.29893312074383]
グラフニューラルネットワークを用いたメッシュベースのシミュレーション学習フレームワークであるMeshGraphNetsを紹介する。その結果, 空気力学, 構造力学, 布など, 幅広い物理系の力学を正確に予測できることがわかった。
論文参考訳（メタデータ） (2020-10-07T13:34:49Z)
Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid Flow Prediction [79.81193813215872]
我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
論文参考訳（メタデータ） (2020-07-08T21:23:19Z)
Zero-Shot Reinforcement Learning with Deep Attention Convolutional Neural Networks [12.282277258055542]
本研究では、特定の視覚センサ構成を持つ深層注意畳み込みニューラルネットワーク(DACNN)が、より低い計算複雑性で高いドメインとパラメータの変動を持つデータセット上でトレーニングを行うことを示す。我々の新しいアーキテクチャは、制御対象に対する認識に適応し、知覚ネットワークを事前訓練することなくゼロショット学習を実現する。
論文参考訳（メタデータ） (2020-01-02T19:41:58Z)

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。