論文の概要: Structured learning of rigid-body dynamics: A survey and unified view
from a robotics perspective
- arxiv url: http://arxiv.org/abs/2012.06250v2
- Date: Fri, 16 Apr 2021 08:43:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-11 02:51:03.894470
- Title: Structured learning of rigid-body dynamics: A survey and unified view
from a robotics perspective
- Title(参考訳): 剛体力学の構造的学習 : ロボティクスの観点からの調査と統一的視点
- Authors: A. Ren\'e Geist and Sebastian Trimpe
- Abstract要約: 剛体力学とデータ駆動モデリング技術を組み合わせた回帰モデルについて検討した。
我々は、ニューラルネットワークやガウス過程などのデータ駆動回帰モデルと分析モデル先行モデルの組み合わせに関する統一的な見解を提供する。
- 参考スコア(独自算出の注目度): 5.597839822252915
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Accurate models of mechanical system dynamics are often critical for
model-based control and reinforcement learning. Fully data-driven dynamics
models promise to ease the process of modeling and analysis, but require
considerable amounts of data for training and often do not generalize well to
unseen parts of the state space. Combining data-driven modelling with prior
analytical knowledge is an attractive alternative as the inclusion of
structural knowledge into a regression model improves the model's data
efficiency and physical integrity. In this article, we survey supervised
regression models that combine rigid-body mechanics with data-driven modelling
techniques. We analyze the different latent functions (such as kinetic energy
or dissipative forces) and operators (such as differential operators and
projection matrices) underlying common descriptions of rigid-body mechanics.
Based on this analysis, we provide a unified view on the combination of
data-driven regression models, such as neural networks and Gaussian processes,
with analytical model priors. Further, we review and discuss key techniques for
designing structured models such as automatic differentiation.
- Abstract(参考訳): 機械力学の正確なモデルはしばしばモデルに基づく制御と強化学習に重要である。
完全なデータ駆動力学モデルは、モデリングと分析のプロセスを簡単にすることを約束するが、トレーニングには大量のデータを必要とし、しばしば状態空間の見えない部分にはうまく一般化しない。
データ駆動モデリングと事前分析知識を組み合わせることは、回帰モデルに構造的知識を組み込むことで、モデルのデータの効率と物理的完全性が向上する、魅力的な選択肢である。
本稿では,剛体力学とデータ駆動モデリング技術を組み合わせた回帰モデルについて検討する。
我々は、剛体力学の共通記述の基礎となる様々な潜在関数(運動エネルギーや散逸力など)と作用素(微分作用素や射影行列など)を分析する。
この分析に基づいて、ニューラルネットワークやガウス過程などのデータ駆動回帰モデルと分析モデル事前の組合せに関する統一的な見解を提供する。
さらに, 自動微分などの構造化モデルの設計手法について検討し, 考察する。
関連論文リスト
- Learning Low-Dimensional Strain Models of Soft Robots by Looking at the Evolution of Their Shape with Application to Model-Based Control [2.058941610795796]
本稿では,低次元物理モデル学習のための合理化手法を提案する。
各種平面ソフトマニピュレータを用いたシミュレーションにより,本手法の有効性を検証した。
物理的に互換性のあるモデルを生成する方法のおかげで、学習したモデルはモデルベースの制御ポリシーと簡単に組み合わせることができる。
論文 参考訳(メタデータ) (2024-10-31T18:37:22Z) - 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) - End-to-End Learning of Hybrid Inverse Dynamics Models for Precise and
Compliant Impedance Control [16.88250694156719]
剛体力学モデルの物理的に一貫した慣性パラメータを同定できる新しいハイブリッドモデルの定式化を提案する。
7自由度マニピュレータ上での最先端の逆動力学モデルに対する我々のアプローチを比較した。
論文 参考訳(メタデータ) (2022-05-27T07:39:28Z) - Surrogate Modeling for Physical Systems with Preserved Properties and
Adjustable Tradeoffs [0.0]
代理モデルを生成するためのモデルベースおよびデータ駆動型戦略を提案する。
後者は、前提となる位相構造に人工的関係を組み込むことで解釈可能な代理モデルを生成する。
我々のフレームワークは、分散パラメータモデルのための様々な空間離散化スキームと互換性がある。
論文 参考訳(メタデータ) (2022-02-02T17:07:02Z) - 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) - Model-agnostic multi-objective approach for the evolutionary discovery
of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。
合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文 参考訳(メタデータ) (2021-07-07T11:17:09Z) - 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) - 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) - Structured Mechanical Models for Robot Learning and Control [38.52004843488286]
ブラックボックスニューラルネットワークは、データ非効率と、事前知識を組み込むのが困難である。
本稿では,データ効率が高く,事前知識に容易に対応でき,モデルベース制御技術で容易に利用できる構造化機械モデルを提案する。
我々は、限られたデータからより良く一般化し、様々なシミュレートされたロボットドメイン上でより信頼性の高いモデルベースコントローラが得られることを実証した。
論文 参考訳(メタデータ) (2020-04-21T21:12:03Z)
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。