論文の概要: A Differentiable Newton Euler Algorithm for Multi-body Model Learning
- arxiv url: http://arxiv.org/abs/2010.09802v1
- Date: Mon, 19 Oct 2020 19:30:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 23:20:15.422258
- Title: A Differentiable Newton Euler Algorithm for Multi-body Model Learning
- Title（参考訳）: 多体モデル学習のための微分可能ニュートンオイラーアルゴリズム
- Authors: Michael Lutter, Johannes Silberbauer, Joe Watson, Jan Peters
- Abstract要約: 我々はニュートン・オイラー方程式を具現化した計算グラフアーキテクチャを動機付けている。
本稿では、制約のない物理的プラウジブルダイナミクスを実現するために使用される仮想パラメータについて述べる。
従来のホワイトボックスシステム同定手法で要求されるキネマティックパラメータは,データから正確に推定可能であることを示す。
- 参考スコア（独自算出の注目度）: 34.558299591341
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we examine a spectrum of hybrid model for the domain of
multi-body robot dynamics. We motivate a computation graph architecture that
embodies the Newton Euler equations, emphasizing the utility of the Lie Algebra
form in translating the dynamical geometry into an efficient computational
structure for learning. We describe the used virtual parameters that enable
unconstrained physical plausible dynamics and the used actuator models. In the
experiments, we define a family of 26 grey-box models and evaluate them for
system identification of the simulated and physical Furuta Pendulum and
Cartpole. The comparison shows that the kinematic parameters, required by
previous white-box system identification methods, can be accurately inferred
from data. Furthermore, we highlight that models with guaranteed bounded energy
of the uncontrolled system generate non-divergent trajectories, while more
general models have no such guarantee, so their performance strongly depends on
the data distribution. Therefore, the main contributions of this work is the
introduction of a white-box model that jointly learns dynamic and kinematics
parameters and can be combined with black-box components. We then provide
extensive empirical evaluation on challenging systems and different datasets
that elucidates the comparative performance of our grey-box architecture with
comparable white- and black-box models.
- Abstract（参考訳）: 本研究では,多体ロボットダイナミクスの領域におけるハイブリッドモデルのスペクトルについて検討する。
ニュートン・オイラー方程式を具現化した計算グラフアーキテクチャを動機付け、力学幾何学を学習のための効率的な計算構造に変換する際にリー代数形式の有用性を強調した。
本稿では, 使用済みの仮想パラメータを用いて, 使用済みの物理プラザブルダイナミクスと使用済みアクチュエータモデルについて述べる。
実験では、26のグレーボックスモデル群を定義し、シミュレーションおよび物理のフルタ振り子とカートポールのシステム同定について評価する。
比較の結果,従来のホワイトボックスシステム同定法で要求される運動パラメータは,データから正確に推定できることがわかった。
さらに、制御不能なシステムの有界エネルギーを保証するモデルが非発散軌道を生成するのに対して、より一般的なモデルはそのような保証を持たないので、その性能はデータ分布に強く依存する。
したがって、本研究の主な貢献は、動的およびキネマティックなパラメータを共同で学習し、ブラックボックスコンポーネントと組み合わせることができるホワイトボックスモデルの導入である。
次に、グレーボックスアーキテクチャと同等のホワイトボックスモデルとブラックボックスモデルの比較性能を解明する、挑戦的なシステムと異なるデータセットに関する広範な経験的評価を提供する。
関連論文リスト
- Learnable & Interpretable Model Combination in Dynamic Systems Modeling [0.0]
我々は、通常、どのモデルが組み合わされるかについて議論し、様々な混合方程式に基づくモデルを表現することができるモデルインターフェースを提案する。
本稿では,2つの組み合わせモデル間の汎用的な接続を,容易に解釈可能な方法で記述できる新しいワイルドカードトポロジーを提案する。
本稿では、2つのモデル間の異なる接続トポロジを学習し、解釈し、比較する。
論文 参考訳（メタデータ） (2024-06-12T11:17:11Z) - Discovering Interpretable Physical Models using Symbolic Regression and
Discrete Exterior Calculus [55.2480439325792]
本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。
DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。
実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2023-10-10T13:23:05Z) - 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) - Interpreting Black-box Machine Learning Models for High Dimensional
Datasets [40.09157165704895]
我々は、高次元データセット上でブラックボックスモデルをトレーニングし、その分類が行われる埋め込みを学習する。
次に、トップk特徴空間上の解釈可能な代理モデルを用いてブラックボックスモデルの挙動を近似する。
我々のアプローチは、異なるデータセットでテストした場合、TabNetやXGboostのような最先端の手法よりも優れています。
論文 参考訳（メタデータ） (2022-08-29T07:36:17Z) - Learning Effective SDEs from Brownian Dynamics Simulations of Colloidal
Particles [0.0]
我々はDiffusion Maps(多様体学習アルゴリズム)を用いて、有用な潜在可観測物の集合を同定する。
得られた変数と学習力学がブラウン力学シミュレーションの物理を正確にエンコードしていることを示す。
我々の次元の減少/還元モデル同定アプローチは、幅広い種類の粒子系力学実験/モデルに容易に移植できる。
論文 参考訳（メタデータ） (2022-04-30T14:58:25Z) - 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) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Modeling Systems with Machine Learning based Differential Equations [0.0]
微分方程式の解として,力学系の時間連続モデルの設計を提案する。
以上の結果から,本手法は合成データや実験データに有用である可能性が示唆された。
論文 参考訳（メタデータ） (2021-09-09T19:10:46Z) - Discovery of Nonlinear Dynamical Systems using a Runge-Kutta Inspired
Dictionary-based Sparse Regression Approach [9.36739413306697]
機械学習と辞書ベースの学習を数値解析ツールと組み合わせ,微分方程式の制御を探索する。
我々は、サンプリング体制を超えてよりよく一般化しやすい解釈可能で準同型モデルを得る。
生物ネットワークに通常現れる有理非線形性を含む支配方程式の拡張について論じる。
論文 参考訳（メタデータ） (2021-05-11T08:46:51Z) - Physics-Integrated Variational Autoencoders for Robust and Interpretable
Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。
本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。
合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文 参考訳（メタデータ） (2021-02-25T20:28:52Z) - Design of Dynamic Experiments for Black-Box Model Discrimination [72.2414939419588]
選択したいような動的モデル判別の設定を考えてみましょう。 (i) 最高のメカニスティックな時間変化モデルと (ii) 最高のモデルパラメータ推定値です。
勾配情報にアクセス可能な競合する力学モデルに対しては、既存の手法を拡張し、より広い範囲の問題の不確実性を組み込む。
これらのブラックボックスモデルをガウス過程サロゲートモデルに置き換えることで、モデル識別設定を拡張して、競合するブラックボックスモデルをさらに取り入れる。
論文 参考訳（メタデータ） (2021-02-07T11:34:39Z)
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。