論文の概要: Training Structured Mechanical Models by Minimizing Discrete
Euler-Lagrange Residual
- arxiv url: http://arxiv.org/abs/2105.01811v1
- Date: Wed, 5 May 2021 00:44:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-06 22:04:36.381498
- Title: Training Structured Mechanical Models by Minimizing Discrete
Euler-Lagrange Residual
- Title(参考訳): 離散euler-lagrange残差最小化による構造的力学モデルの訓練
- Authors: Kunal Menda, Jayesh K. Gupta, Zachary Manchester and Mykel J.
Kochenderfer
- Abstract要約: structured mechanical models (smms) は、機械システムのデータ効率の良いブラックボックスパラメータ化である。
離散オイラーラグランジュ残差を最小化することにより,SMMをデータに適用する手法を提案する。
実験の結果,従来のSMMの適合方式よりも精度の高いモデルが得られた。
- 参考スコア(独自算出の注目度): 36.52097893036073
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Model-based paradigms for decision-making and control are becoming ubiquitous
in robotics. They rely on the ability to efficiently learn a model of the
system from data. Structured Mechanical Models (SMMs) are a data-efficient
black-box parameterization of mechanical systems, typically fit to data by
minimizing the error between predicted and observed accelerations or next
states. In this work, we propose a methodology for fitting SMMs to data by
minimizing the discrete Euler-Lagrange residual. To study our methodology, we
fit models to joint-angle time-series from undamped and damped
double-pendulums, studying the quality of learned models fit to data with and
without observation noise. Experiments show that our methodology learns models
that are better in accuracy to those of the conventional schemes for fitting
SMMs. We identify use cases in which our method is a more appropriate
methodology. Source code for reproducing the experiments is available at
https://github.com/sisl/delsmm.
- Abstract(参考訳): 意思決定と制御のためのモデルベースのパラダイムは、ロボット工学においてユビキタスになりつつある。
彼らはデータからシステムのモデルを効率的に学習する能力に頼っている。
構造化力学モデル (Structured Mechanical Models, SMM) は、予測された加速度と観測された加速度の誤差を最小化し、データに適合する機械系のデータ効率のブラックボックスパラメータ化である。
本研究では,離散オイラー・ラグランジュ残差を最小化することにより,SMMをデータに適合させる手法を提案する。
提案手法では,無音と減衰した二重振り子による連角時系列にモデルを適用し,観測ノイズを伴うデータに適合する学習モデルの品質について検討した。
実験の結果,従来のSMMの適合方式よりも精度の高いモデルが得られた。
提案手法がより適切な方法論であるユースケースを特定する。
実験を再現するためのソースコードはhttps://github.com/sisl/delsmmで入手できる。
関連論文リスト
- Attribute-to-Delete: Machine Unlearning via Datamodel Matching [65.13151619119782]
機械学習 -- 事前訓練された機械学習モデルで、小さな"ターゲットセット"トレーニングデータを効率的に削除する -- は、最近関心を集めている。
最近の研究では、機械学習技術はこのような困難な環境では耐えられないことが示されている。
論文 参考訳(メタデータ) (2024-10-30T17:20:10Z) - Towards Learning Stochastic Population Models by Gradient Descent [0.0]
パラメータと構造を同時に推定することで,最適化手法に大きな課題が生じることを示す。
モデルの正確な推定を実証するが、擬似的、解釈可能なモデルの推論を強制することは、難易度を劇的に高める。
論文 参考訳(メタデータ) (2024-04-10T14:38:58Z) - Data-driven Nonlinear Model Reduction using Koopman Theory: Integrated
Control Form and NMPC Case Study [56.283944756315066]
そこで本研究では,遅延座標符号化と全状態復号化を組み合わせた汎用モデル構造を提案し,Koopmanモデリングと状態推定を統合した。
ケーススタディでは,本手法が正確な制御モデルを提供し,高純度極低温蒸留塔のリアルタイム非線形予測制御を可能にすることを実証している。
論文 参考訳(メタデータ) (2024-01-09T11:54:54Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳(メタデータ) (2023-12-19T21:45:38Z) - On the Influence of Enforcing Model Identifiability on Learning dynamics
of Gaussian Mixture Models [14.759688428864159]
特異モデルからサブモデルを抽出する手法を提案する。
本手法はトレーニング中のモデルの識別性を強制する。
この手法がディープニューラルネットワークのようなより複雑なモデルにどのように適用できるかを示す。
論文 参考訳(メタデータ) (2022-06-17T07:50:22Z) - Closed-form discovery of structural errors in models of chaotic systems
by integrating Bayesian sparse regression and data assimilation [0.0]
私たちはMEDIDAというフレームワークを紹介します: 解釈可能性とデータ同化を伴うモデルエラー発見。
MEDIDAでは、まず、観測状態と予測状態の差からモデル誤差を推定する。
観測結果がノイズである場合、まず、アンサンブルカルマンフィルタ(EnKF)のようなデータ同化手法を用いて、システムのノイズフリー解析状態を提供する。
最後に、レバレンスベクトルマシン(RVM)のような方程式発見手法、すなわちスパーシィプロモーティングベイズ法を用いて、解釈可能でパシモニアスでクローズドな解を同定する。
論文 参考訳(メタデータ) (2021-10-01T17:19:28Z) - A Framework for Machine Learning of Model Error in Dynamical Systems [7.384376731453594]
データから動的システムを特定するために,機械的アプローチと機械学習アプローチを混在させる統一フレームワークを提案する。
モデルエラーがメモリレスであり、大きなメモリを持つ問題に対して、連続時間と離散時間の両方で問題を提起した。
ハイブリッド手法は、データ飢餓、モデルの複雑さの要求、全体的な予測性能において、データ駆動アプローチよりも大幅に優れています。
論文 参考訳(メタデータ) (2021-07-14T12:47:48Z) - 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) - 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) - Scaling Hidden Markov Language Models [118.55908381553056]
この研究は、HMMを言語モデリングデータセットに拡張するという課題を再考する。
本研究では,HMMを大規模状態空間に拡張する手法を提案する。
論文 参考訳(メタデータ) (2020-11-09T18:51:55Z) - Combining data assimilation and machine learning to infer unresolved
scale parametrisation [0.0]
近年、動的数値モデルにおいて、未解決プロセスのデータ駆動パラメトリクスを考案する機械学習が提案されている。
我々のゴールは、高分解能シミュレーションの使用を超えて、直接データを用いてMLベースのパラメーターを訓練することである。
いずれの場合も、ハイブリッドモデルは、切り落とされたモデルよりも優れたスキルで予測を得られることを示す。
論文 参考訳(メタデータ) (2020-09-09T14:12:11Z)
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。