論文の概要: Simulated Data Generation Through Algorithmic Force Coefficient
Estimation for AI-Based Robotic Projectile Launch Modeling
- arxiv url: http://arxiv.org/abs/2105.12833v4
- Date: Fri, 26 Jan 2024 21:42:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-31 01:28:21.167863
- Title: Simulated Data Generation Through Algorithmic Force Coefficient
Estimation for AI-Based Robotic Projectile Launch Modeling
- Title(参考訳): AIに基づくロボット発射発射モデルのためのアルゴリズム力係数推定によるデータ生成
- Authors: Sajiv Shah, Ayaan Haque, Fei Liu
- Abstract要約: 非剛体物体発射における力係数のアルゴリズム的推定のための新しい枠組みを提案する。
我々は、非剛体物体の発射軌道を正確にモデル化するための新しいトレーニングアルゴリズムと目的を実装した。
- 参考スコア(独自算出の注目度): 7.434188351403889
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modeling of non-rigid object launching and manipulation is complex
considering the wide range of dynamics affecting trajectory, many of which may
be unknown. Using physics models can be inaccurate because they cannot account
for unknown factors and the effects of the deformation of the object as it is
launched; moreover, deriving force coefficients for these models is not
possible without extensive experimental testing. Recently, advancements in
data-powered artificial intelligence methods have allowed learnable models and
systems to emerge. It is desirable to train a model for launch prediction on a
robot, as deep neural networks can account for immeasurable dynamics. However,
the inability to collect large amounts of experimental data decreases
performance of deep neural networks. Through estimating force coefficients, the
accepted physics models can be leveraged to produce adequate supplemental data
to artificially increase the size of the training set, yielding improved neural
networks. In this paper, we introduce a new framework for algorithmic
estimation of force coefficients for non-rigid object launching, which can be
generalized to other domains, in order to generate large datasets. We implement
a novel training algorithm and objective for our deep neural network to
accurately model launch trajectory of non-rigid objects and predict whether
they will hit a series of targets. Our experimental results demonstrate the
effectiveness of using simulated data from force coefficient estimation and
shows the importance of simulated data for training an effective neural
network.
- Abstract(参考訳): 非剛性物体の発射と操作のモデリングは、軌道に影響を与える幅広いダイナミクスを考慮すると複雑である。
物理モデルを使うことは、未知の要因や、発射時の物体の変形の影響を考慮できないため不正確であり、また、これらのモデルに対する力係数の導出は、広範囲の実験試験なしでは不可能である。
近年,データ駆動型人工知能の進歩により,学習可能なモデルやシステムが出現している。
ディープニューラルネットワークは計測不能なダイナミクスを考慮できるため、ロボットの打ち上げ予測のためのモデルを訓練することが望ましい。
しかし、大量の実験データを収集できないため、ディープニューラルネットワークの性能は低下する。
力係数を推定することにより、受理された物理モデルを利用して十分な補足データを生成し、トレーニングセットのサイズを人工的に増加させ、改良されたニューラルネットワークが得られる。
本稿では,非剛性物体の立ち上がりに対する力係数をアルゴリズム的に推定し,他の領域に一般化し,大規模データセットを生成するための新しい枠組みを提案する。
我々は,非剛体物体の発射軌道を正確にモデル化し,それらが一連の目標に達するかどうかを予測するための,新しいトレーニングアルゴリズムと目的を実装した。
実験結果は,力係数推定によるシミュレーションデータの有効性を示し,ニューラルネットワークの学習におけるシミュレーションデータの重要性を示す。
関連論文リスト
- Diffusion-Based Neural Network Weights Generation [80.89706112736353]
D2NWGは拡散に基づくニューラルネットワーク重み生成技術であり、転送学習のために高性能な重みを効率よく生成する。
本稿では,ニューラルネットワーク重み生成のための遅延拡散パラダイムを再放送するために,生成的ハイパー表現学習を拡張した。
我々のアプローチは大規模言語モデル(LLM)のような大規模アーキテクチャにスケーラブルであり、現在のパラメータ生成技術の限界を克服しています。
論文 参考訳(メタデータ) (2024-02-28T08:34:23Z) - Physics-Informed Neural Networks with Hard Linear Equality Constraints [9.101849365688905]
本研究は,線形等式制約を厳格に保証する物理インフォームドニューラルネットワークKKT-hPINNを提案する。
溶融タンク炉ユニット, 抽出蒸留サブシステム, 化学プラントのアスペンモデル実験により, このモデルが予測精度をさらに高めることを示した。
論文 参考訳(メタデータ) (2024-02-11T17:40:26Z) - Optimizing Dense Feed-Forward Neural Networks [0.0]
本稿では,プルーニングと移動学習に基づくフィードフォワードニューラルネットワークの構築手法を提案する。
提案手法では,パラメータ数を70%以上圧縮できる。
また、ニューラルネットワークをスクラッチからトレーニングしたモデルと元のモデルを比較し、トランスファー学習レベルを評価した。
論文 参考訳(メタデータ) (2023-12-16T23:23:16Z) - Epistemic Modeling Uncertainty of Rapid Neural Network Ensembles for
Adaptive Learning [0.0]
新しいタイプのニューラルネットワークは、高速ニューラルネットワークパラダイムを用いて提示される。
提案したエミュレータを組み込んだニューラルネットワークは,予測精度を損なうことなく,ほぼ瞬時に学習できることが判明した。
論文 参考訳(メタデータ) (2023-09-12T22:34:34Z) - How to Learn and Generalize From Three Minutes of Data:
Physics-Constrained and Uncertainty-Aware Neural Stochastic Differential
Equations [24.278738290287293]
ニューラル微分方程式(SDE)を用いた制御力学モデル学習のためのフレームワークとアルゴリズムを提案する。
本研究では,従来の物理知識を帰納バイアスとして活用するためのドリフト項を構築し,学習モデルの予測の不確かさを距離認識した推定値を表す拡散項を設計する。
我々は、シミュレーションロボットシステムの実験を通じてこれらの能力を実証し、ヘキサコプターの飛行力学をモデル化し制御する。
論文 参考訳(メタデータ) (2023-06-10T02:33:34Z) - An Adversarial Active Sampling-based Data Augmentation Framework for
Manufacturable Chip Design [55.62660894625669]
リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。
機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。
本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
論文 参考訳(メタデータ) (2022-10-27T20:53:39Z) - Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse
Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。
学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
論文 参考訳(メタデータ) (2022-09-07T15:15:12Z) - Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。
ニューラル微分方程式モデルに基づく新しい手法を提案する。
我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
論文 参考訳(メタデータ) (2022-07-21T12:11:18Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳(メタデータ) (2021-06-17T17:26:31Z) - ForceNet: A Graph Neural Network for Large-Scale Quantum Calculations [86.41674945012369]
スケーラブルで表現力のあるグラフニューラルネットワークモデルであるForceNetを開発し、原子力を近似します。
提案したForceNetは、最先端の物理ベースのGNNよりも正確に原子力を予測することができる。
論文 参考訳(メタデータ) (2021-03-02T03:09:06Z) - DynNet: Physics-based neural architecture design for linear and
nonlinear structural response modeling and prediction [2.572404739180802]
本研究では,線形および非線形な多自由度系の力学を学習できる物理に基づくリカレントニューラルネットワークモデルを提案する。
このモデルは、変位、速度、加速度、内部力を含む完全な応答のセットを推定することができる。
論文 参考訳(メタデータ) (2020-07-03T17:05:35Z)
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。