論文の概要: Predicting Rigid Body Dynamics using Dual Quaternion Recurrent Neural Networks with Quaternion Attention

• arxiv url: http://arxiv.org/abs/2011.08734v1
• Date: Tue, 17 Nov 2020 16:10:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-24 17:14:22.453666
• Title: Predicting Rigid Body Dynamics using Dual Quaternion Recurrent Neural Networks with Quaternion Attention
• Title（参考訳）: 2次4次リカレントニューラルネットワークを用いた剛体ダイナミクスの予測
• Authors: Johannes P\"oppelbaum, Andreas Schwung
• Abstract要約: 本稿では,情報のコンパクトな表現を可能にする2つの四元数に基づくニューラルネットワークアーキテクチャを提案する。 剛体運動に固有の動的挙動を網羅するため,ニューラルネットワークにおける再帰的アーキテクチャを提案する。 個々の剛体間の相互作用と外部入力を効率的にモデル化するために、双対四元数代数を用いた新しい注意機構を取り入れる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We propose a novel neural network architecture based on dual quaternions which allow for a compact representation of informations with a main focus on describing rigid body movements. To cover the dynamic behavior inherent to rigid body movements, we propose recurrent architectures in the neural network. To further model the interactions between individual rigid bodies as well as external inputs efficiently, we incorporate a novel attention mechanism employing dual quaternion algebra. The introduced architecture is trainable by means of gradient based algorithms. We apply our approach to a parcel prediction problem where a rigid body with an initial position, orientation, velocity and angular velocity moves through a fixed simulation environment which exhibits rich interactions between the parcel and the boundaries.
• Abstract（参考訳）: 本稿では,剛体運動の記述を主眼とした情報のコンパクトな表現を可能にする,双四元数に基づく新しいニューラルネットワークアーキテクチャを提案する。 剛体運動に固有の動的挙動を網羅するため,ニューラルネットワークにおける再帰的アーキテクチャを提案する。 個々の剛体間の相互作用と外部入力を効率的にモデル化するために、双対四元数代数を用いた新しい注意機構を取り入れる。 導入されたアーキテクチャは勾配に基づくアルゴリズムで訓練できる。 提案手法は,初期位置,方向,速度,角速度を持つ剛体が一定のシミュレーション環境内を移動し,セルと境界との間の相互作用が豊かになるようなパーセル予測問題に適用する。

関連論文リスト

• UnityGraph: Unified Learning of Spatio-temporal features for Multi-person Motion Prediction [13.052342503276936]
  多対人動作予測は、重要な実世界の応用を持つ複雑な新興分野である。 本稿では,複数の時間的特徴を全体として扱う新しいグラフ構造UnityGraphを提案し,モデルコヒーレンスと結合時間的特徴を向上する。 提案手法は最先端の性能を達成し,その有効性と革新的な設計を実証する。
  論文  参考訳（メタデータ） (2024-11-06T08:05:36Z)
• The Dynamic Net Architecture: Learning Robust and Holistic Visual Representations Through Self-Organizing Networks [3.9848584845601014]
  動的ネットアーキテクチャ(DNA)と呼ばれる新しいインテリジェントシステムアーキテクチャを提案する。 DNAは繰り返し安定化されたネットワークに依存し、それを視覚に応用するために議論する。
  論文  参考訳（メタデータ） (2024-07-08T06:22:10Z)
• Binding Dynamics in Rotating Features [72.80071820194273]
  本稿では,特徴間のアライメントを明示的に計算し,それに応じて重みを調整する「コサイン結合」機構を提案する。 これにより、自己注意と生物学的神経プロセスに直接接続し、回転する特徴に現れるオブジェクト中心の表現の基本的なダイナミクスに光を当てることができます。
  論文  参考訳（メタデータ） (2024-02-08T12:31:08Z)
• Physics-Encoded Graph Neural Networks for Deformation Prediction under Contact [87.69278096528156]
  ロボット工学では、触覚相互作用における物体の変形を理解することが不可欠である。 本稿では,物理符号化グラフニューラルネットワーク(GNN)を用いた予測手法を提案する。 コードとデータセットを公開して、ロボットシミュレーションと把握の研究を進めました。
  論文  参考訳（メタデータ） (2024-02-05T19:21:52Z)
• Inferring Relational Potentials in Interacting Systems [56.498417950856904]
  このような相互作用を発見する代替手法として、ニューラル・インタラクション・推論(NIIP)を提案する。 NIIPは観測された関係制約を尊重する軌道のサブセットに低エネルギーを割り当てる。 別々に訓練されたモデル間での相互作用の型を交換するなどの軌道操作や、軌道予測を可能にする。
  論文  参考訳（メタデータ） (2023-10-23T00:44:17Z)
• Persistent-Transient Duality: A Multi-mechanism Approach for Modeling Human-Object Interaction [58.67761673662716]
  人間は高度に適応可能で、異なるタスク、状況、状況を扱うために異なるモードを素早く切り替える。 人間と物体の相互作用(HOI)において、これらのモードは、(1)活動全体に対する大規模な一貫した計画、(2)タイムラインに沿って開始・終了する小規模の子どもの対話的行動の2つのメカニズムに起因していると考えられる。 本研究は、人間の動作を協調的に制御する2つの同時メカニズムをモデル化することを提案する。
  論文  参考訳（メタデータ） (2023-07-24T12:21:33Z)
• Predicting fluid-structure interaction with graph neural networks [13.567118450260178]
  本稿では,流体-構造相互作用系の低次モデリングのための回転同変準モノリシックグラフニューラルネットワークフレームワークを提案する。 有限要素インスパイアされたハイパーグラフニューラルネットワークを用いて、システム全体の状態に基づいて流体状態の進化を予測する。 提案するフレームワークは,インターフェース記述をトラッキングし,少なくとも2000時間のロールアウト時に,安定かつ正確なシステム状態予測を提供する。
  論文  参考訳（メタデータ） (2022-10-09T07:42:23Z)
• Motion Prediction via Joint Dependency Modeling in Phase Space [40.54430409142653]
  我々は、運動解剖学の明示的な事前知識を活用するために、新しい畳み込みニューラルモデルを導入する。 次に,個々の関節機能間の暗黙的関係を学習するグローバル最適化モジュールを提案する。 本手法は,大規模な3次元人体動作ベンチマークデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2022-01-07T08:30:01Z)
• NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One Go [109.88509362837475]
  入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。 NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。 異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
  論文  参考訳（メタデータ） (2021-06-17T12:25:44Z)
• Real-time Pose and Shape Reconstruction of Two Interacting Hands With a Single Depth Camera [79.41374930171469]
  本稿では,2つの強く相互作用する手の位置と形状をリアルタイムに再現する新しい手法を提案する。 われわれのアプローチは、有利なプロパティの広範なリスト、すなわちマーカーレスを組み合わせている。 過去の研究で示された複雑性レベルを超える場面で、最先端の結果を示す。
  論文  参考訳（メタデータ） (2021-06-15T11:39:49Z)
• Learning Physical Constraints with Neural Projections [16.09436906471513]
  そこで我々は,ニューラルネットワークの新たなファミリーを提案し,その基盤となる制約を学習することによって,物理系の振る舞いを予測する。 ニューラルネットワークのプロジェクション演算子は,組込み再帰アーキテクチャを備えた軽量ネットワークで構成されたアプローチの中心に位置する。 我々は,一貫した簡単な方法で,一組の物理的システムを学習することで,我々のアプローチの有効性を実証した。
  論文  参考訳（メタデータ） (2020-06-23T04:19:04Z)

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。