論文の概要: Deformable Linear Object Prediction Using Locally Linear Latent Dynamics
- arxiv url: http://arxiv.org/abs/2103.14184v1
- Date: Fri, 26 Mar 2021 00:29:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-30 00:12:53.447186
- Title: Deformable Linear Object Prediction Using Locally Linear Latent Dynamics
- Title（参考訳）: 局所線形潜在ダイナミクスを用いた変形可能な線形物体予測
- Authors: Wenbo Zhang, Karl Schmeckpeper, Pratik Chaudhari, Kostas Daniilidis
- Abstract要約: 変形可能な物体(例えばロープ)の予測は、その非線形ダイナミクスと無限次元の構成空間のために困難である。
我々は、将来の潜在状態を予測するのに使用できる局所線形なアクション条件付きダイナミクスモデルを学ぶ。
我々は,本手法が将来10段階まで正確にロープ状態を予測できることを実証的に実証した。
- 参考スコア（独自算出の注目度）: 51.740998379872195
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: We propose a framework for deformable linear object prediction. Prediction of
deformable objects (e.g., rope) is challenging due to their non-linear dynamics
and infinite-dimensional configuration spaces. By mapping the dynamics from a
non-linear space to a linear space, we can use the good properties of linear
dynamics for easier learning and more efficient prediction. We learn a locally
linear, action-conditioned dynamics model that can be used to predict future
latent states. Then, we decode the predicted latent state into the predicted
state. We also apply a sampling-based optimization algorithm to select the
optimal control action. We empirically demonstrate that our approach can
predict the rope state accurately up to ten steps into the future and that our
algorithm can find the optimal action given an initial state and a goal state.
- Abstract（参考訳）: 変形可能な線形オブジェクト予測のためのフレームワークを提案する。
変形可能な物体(例えばロープ)の予測は、その非線形ダイナミクスと無限次元の構成空間のために困難である。
非線形空間から線形空間へダイナミクスをマッピングすることで、線形力学の優れた性質を学習の容易化とより効率的な予測に利用することができる。
我々は、将来の潜伏状態を予測するために使用できる局所線形動作条件動的モデルを学ぶ。
そして、予測された潜在状態を予測状態に復号する。
また,最適制御動作を選択するためにサンプリングに基づく最適化アルゴリズムを適用する。
我々は,本手法がロープ状態を正確に予測でき,初期状態と目標状態が与えられた場合に,アルゴリズムが最適動作を見出すことができることを実証的に証明した。
関連論文リスト
- Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Reinforced Model Predictive Control via Trust-Region Quasi-Newton Policy Optimization [0.0]
超線形収束率を用いた政策最適化のための準ニュートン学習アルゴリズムを提案する。
シミュレーション研究は、提案したトレーニングアルゴリズムがデータ効率と精度で他のアルゴリズムより優れていることを示している。
論文 参考訳（メタデータ） (2024-05-28T09:16:08Z) - Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。
本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。
多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
論文 参考訳（メタデータ） (2023-06-14T11:41:42Z) - Data-Driven Linear Koopman Embedding for Model-Predictive Power System
Control [1.20855096102517]
我々は、反応制御を受ける電圧ダイナミクスの線形埋め込みのためのEm Koopman-inspireed Deep Neural Network (KDNN)アーキテクチャを開発した。
提案フレームワークは,入力/出力データから3重変換の形でシステムダイナミクスを学習する。
モデル予測制御は線形力学上で計算され、制御計算をスケーラブルかつリアルタイムにする。
論文 参考訳（メタデータ） (2022-06-02T19:52:11Z) - Adaptive Online Optimization with Predictions: Static and Dynamic
Environments [5.553963083111226]
我々は,勾配予測,関数予測,ダイナミックスを利用する新しいステップサイズルールとOCOアルゴリズムを提案する。
提案アルゴリズムは、参照アクションシーケンスのダイナミックスの観点から、静的および動的後悔境界を楽しむ。
コンベックスと強いコンベックスの両コストについて検討した。
論文 参考訳（メタデータ） (2022-05-01T11:03:33Z) - Time varying regression with hidden linear dynamics [74.9914602730208]
線形力学系に従って未知のパラメータが進化することを前提とした時間変化線形回帰モデルを再検討する。
反対に、基礎となる力学が安定である場合、このモデルのパラメータは2つの通常の最小二乗推定と組み合わせることで、データから推定できることが示される。
論文 参考訳（メタデータ） (2021-12-29T23:37:06Z) - Autoregressive Dynamics Models for Offline Policy Evaluation and
Optimization [60.73540999409032]
表現的自己回帰ダイナミクスモデルが次の状態の異なる次元を生成し、以前の次元で順次条件付きで報酬を得ることを示す。
また,リプレイバッファを充実させる手段として,自己回帰的ダイナミクスモデルがオフラインポリシー最適化に有用であることを示す。
論文 参考訳（メタデータ） (2021-04-28T16:48:44Z) - SLPC: a VRNN-based approach for stochastic lidar prediction and
completion in autonomous driving [63.87272273293804]
VRNN(Variiational Recurrent Neural Networks)と呼ばれる生成モデルに基づく新しいLiDAR予測フレームワークを提案する。
提案手法は,フレーム内の奥行きマップを空間的に塗り替えることで,スパースデータを扱う際の従来のビデオ予測フレームワークの限界に対処できる。
VRNNのスパースバージョンとラベルを必要としない効果的な自己監督型トレーニング方法を紹介します。
論文 参考訳（メタデータ） (2021-02-19T11:56:44Z) - Tensor network approaches for learning non-linear dynamical laws [0.0]
制御方程式のテンソルネットワークに基づくパラメータ化により,様々な物理的制約を捉えることができることを示す。
データから構造化された動的法則を復元する物理インフォームドアプローチを提案し、表現性とスケーラビリティの必要性を適応的にバランスさせる。
論文 参考訳（メタデータ） (2020-02-27T19:02:40Z) - Implicit Regularization and Momentum Algorithms in Nonlinearly
Parameterized Adaptive Control and Prediction [13.860437051795419]
我々は,古典的適応非線形制御技術と最近の機械学習の進歩との間に強いつながりを生かしている。
適応的非線形制御と適応的ダイナミクス予測の両方において,アルゴリズム開発には未発達の可能性があることが示されている。
論文 参考訳（メタデータ） (2019-12-31T03:13:25Z)
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。