論文の概要: A Differentiable Contact Model to Extend Lagrangian and Hamiltonian Neural Networks for Modeling Hybrid Dynamics

• arxiv url: http://arxiv.org/abs/2102.06794v1
• Date: Fri, 12 Feb 2021 22:02:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-16 16:01:32.138659
• Title: A Differentiable Contact Model to Extend Lagrangian and Hamiltonian Neural Networks for Modeling Hybrid Dynamics
• Title（参考訳）: ハイブリッドダイナミクスモデリングのためのラグランジアンニューラルネットワークとハミルトンニューラルネットワークの拡張可能な接触モデル
• Authors: Yaofeng Desmond Zhong, Biswadip Dey, Amit Chakraborty
• Abstract要約: 本研究では,非摩擦・摩擦・非弾性の接触力学を捉えるための微分可能な接触モデルを提案する。 この枠組みは, 再構成係数と摩擦係数の異なる, 一連の挑戦的な2次元および3次元物理系上で実証する。
• 参考スコア（独自算出の注目度）: 10.019335078365705
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The incorporation of appropriate inductive bias plays a critical role in learning dynamics from data. A growing body of work has been exploring ways to enforce energy conservation in the learned dynamics by incorporating Lagrangian or Hamiltonian dynamics into the design of the neural network architecture. However, these existing approaches are based on differential equations, which does not allow discontinuity in the states, and thereby limits the class of systems one can learn. Real systems, such as legged robots and robotic manipulators, involve contacts and collisions, which introduce discontinuities in the states. In this paper, we introduce a differentiable contact model, which can capture contact mechanics, both frictionless and frictional, as well as both elastic and inelastic. This model can also accommodate inequality constraints, such as limits on the joint angles. The proposed contact model extends the scope of Lagrangian and Hamiltonian neural networks by allowing simultaneous learning of contact properties and system properties. We demonstrate this framework on a series of challenging 2D and 3D physical systems with different coefficients of restitution and friction.
• Abstract（参考訳）: 適切な帰納バイアスの導入は、データからダイナミクスを学ぶ上で重要な役割を果たす。 ラグランジアンまたはハミルトン力学をニューラルネットワークアーキテクチャの設計に組み込むことにより、学習されたダイナミクスにおけるエネルギー保存を強制する方法を模索しています。 しかし、これらの既存のアプローチは微分方程式に基づいており、状態の連続性を許さないため、学習できるシステムのクラスが制限される。 レッグロボットやロボットマニピュレーターなどの実際のシステムは、接触と衝突を伴い、州内での不連続性をもたらします。 本論文では,非摩擦と摩擦,弾性と非弾性の両方の接触力学を捕捉できる微分可能な接触モデルを提案する。 このモデルは、関節角度の限界のような不等式制約も満たすことができる。 提案する接触モデルはラグランジアンとハミルトンのニューラルネットワークの範囲を広げ、接触特性とシステム特性の同時学習を可能にする。 この枠組みは, 再構成係数と摩擦係数の異なる, 一連の挑戦的な2次元および3次元物理系上で実証する。

関連論文リスト

• ControlSynth Neural ODEs: Modeling Dynamical Systems with Guaranteed Convergence [1.1720409777196028]
  ニューラルネットワーク(NODE)は、時間間隔の制限なしにデータを処理できる連続時間ニューラルネットワーク(NN)である。 非常に非線形な性質にもかかわらず、収束はトラクタブル線型不等式によって保証されることを示す。 CSODEの合成において、異なるスケールで動的に同時に捕捉される可能性について学習するための余分な制御項を導入する。
  論文  参考訳（メタデータ） (2024-11-04T17:20:42Z)
• Poisson-Dirac Neural Networks for Modeling Coupled Dynamical Systems across Domains [13.499500088995463]
  幾何学力学からポート・ハミルトニアンとポアソンの定式化を統一するディラック構造に基づく新しい枠組みを提案する。 PoDiNNは、未知の結合力学系をデータからモデル化する際の精度と解釈性を改善する。
  論文  参考訳（メタデータ） (2024-10-15T10:31:22Z)
• Symmetry-regularized neural ordinary differential equations [0.0]
  本稿では,隠れ状態のダイナミクスとバック伝播のダイナミクスの両方において,Lie対称性を用いたニューラルODEの新たな保存関係を提案する。 これらの保存法則は、損失関数にさらなる正規化項として組み込まれ、モデルの物理的解釈可能性や一般化可能性を高める可能性がある。 これらの保存関係から新たな損失関数を構築し、典型的なモデリングタスクにおける対称性規則化ニューラル・オードの適用性を示す。
  論文  参考訳（メタデータ） (2023-11-28T09:27:44Z)
• 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)
• SEGNO: Generalizing Equivariant Graph Neural Networks with Physical Inductive Biases [66.61789780666727]
  等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。 また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。 我々のモデルは最先端のベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-08-25T07:15:58Z)
• Learning Physical Dynamics with Subequivariant Graph Neural Networks [99.41677381754678]
  グラフニューラルネットワーク(GNN)は、物理力学を学習するための一般的なツールとなっている。 物理法則は、モデル一般化に必須な帰納バイアスである対称性に従属する。 本モデルは,RigidFall上でのPhysylonと2倍低ロールアウトMSEの8つのシナリオにおいて,平均3%以上の接触予測精度の向上を実現している。
  論文  参考訳（メタデータ） (2022-10-13T10:00:30Z)
• Neural Laplace: Learning diverse classes of differential equations in the Laplace domain [86.52703093858631]
  本稿では,これらすべてを含む多種多様な微分方程式(DE)を学習するための統一的な枠組みを提案する。 時間領域の力学をモデル化する代わりに、ラプラス領域でモデル化する。 The experiment, Neural Laplace shows excellent performance in modelling and extrapolating the trajectories of various class of DEs。
  論文  参考訳（メタデータ） (2022-06-10T02:14:59Z)
• Physics Informed RNN-DCT Networks for Time-Dependent Partial Differential Equations [62.81701992551728]
  時間依存偏微分方程式を解くための物理インフォームド・フレームワークを提案する。 我々のモデルは離散コサイン変換を用いて空間的および反復的なニューラルネットワークを符号化する。 ナヴィエ・ストークス方程式に対するテイラー・グリーン渦解の実験結果を示す。
  論文  参考訳（メタデータ） (2022-02-24T20:46:52Z)
• 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)
• Lagrangian Neural Network with Differential Symmetries and Relational Inductive Bias [5.017136256232997]
  システムのラグランジアンを学習するラグランジアンニューラルネットワーク(MCLNN)の運動量について述べる。 また、開発したモデルが任意の大きさのシステムに一般化可能であることを示す。
  論文  参考訳（メタデータ） (2021-10-07T08:49:57Z)
• ContactNets: Learning Discontinuous Contact Dynamics with Smooth, Implicit Representations [4.8986598953553555]
  本手法は,物体間符号距離と接触フレームジャコビアンのパラメータ化を学習する。 提案手法は,60秒間の実世界のデータを用いて,現実的な影響,非ペネティフィケーション,スティクションを予測できる。
  論文  参考訳（メタデータ） (2020-09-23T14:51:08Z)

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。