論文の概要: Forced Variational Integrator Networks for Prediction and Control of Mechanical Systems

• arxiv url: http://arxiv.org/abs/2106.02973v1
• Date: Sat, 5 Jun 2021 21:39:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-08 17:53:35.654059
• Title: Forced Variational Integrator Networks for Prediction and Control of Mechanical Systems
• Title（参考訳）: 機械システムの予測と制御のための強制変分積分器ネットワーク
• Authors: Aaron Havens and Girish Chowdhary
• Abstract要約: 強制的変動積分器ネットワーク(FVIN)アーキテクチャにより,エネルギー散逸と外部強制を正確に考慮できることを示す。 これにより、高データ効率のモデルベース制御が可能となり、実際の非保守的なシステムで予測できる。
• 参考スコア（独自算出の注目度）: 7.538482310185133
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As deep learning becomes more prevalent for prediction and control of real physical systems, it is important that these overparameterized models are consistent with physically plausible dynamics. This elicits a problem with how much inductive bias to impose on the model through known physical parameters and principles to reduce complexity of the learning problem to give us more reliable predictions. Recent work employs discrete variational integrators parameterized as a neural network architecture to learn conservative Lagrangian systems. The learned model captures and enforces global energy preserving properties of the system from very few trajectories. However, most real systems are inherently non-conservative and, in practice, we would also like to apply actuation. In this paper we extend this paradigm to account for general forcing (e.g. control input and damping) via discrete d'Alembert's principle which may ultimately be used for control applications. We show that this forced variational integrator networks (FVIN) architecture allows us to accurately account for energy dissipation and external forcing while still capturing the true underlying energy-based passive dynamics. We show that in application this can result in highly-data efficient model-based control and can predict on real non-conservative systems.
• Abstract（参考訳）: 深層学習が現実の物理システムの予測と制御に普及するにつれて、これらの過度パラメータ化モデルは物理的に妥当な力学と整合することが重要である。 これは、学習問題の複雑さを減らし、より信頼性の高い予測を与えるために、既知の物理的パラメータと原則を通じてモデルにどの程度の誘導バイアスを課すかという問題を引き起こす。 近年の研究では、ニューラルネットワークアーキテクチャとしてパラメータ化された離散変動積分器を用いて、保守的なラグランジアン系を学習している。 学習されたモデルは、ごくわずかな軌道からシステムのグローバルなエネルギー保存特性を捕捉し、強制する。 しかし、ほとんどの実システムは本質的に保守的ではなく、実際にはアクチュエーションも適用したいです。 本稿では、このパラダイムを一般的な強制(例)に拡張する。 制御入力と減衰) 離散ダレムベルトの原理により、最終的には制御用途に使用される。 この強制的変動インテグレータネットワーク(FVIN)アーキテクチャは、真のエネルギーベースの受動力学を捕捉しながら、エネルギーの散逸と外部強制を正確に説明できることを示す。 アプリケーションでは、これは高データ効率のモデルベース制御となり、実際の非保守システムで予測できることを示す。

関連論文リスト

• Physics-Informed Regularization for Domain-Agnostic Dynamical System Modeling [41.82469276824927]
  本稿では,幅広い力学系に対して高精度なモデリングを実現するフレームワークを提案する。 保守的なシステムのエネルギーを保ちつつ、非保守的で可逆的なシステムの強い誘導バイアスとして機能する。 ニューラル常微分方程式モデルにTRS損失を組み込むことにより、提案モデルであるTREATは様々な物理系において優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-08T21:04:01Z)
• TANGO: Time-Reversal Latent GraphODE for Multi-Agent Dynamical Systems [43.39754726042369]
  連続グラフニューラルネットワークに基づく常微分方程式(GraphODE)により予測される前後の軌跡を整列するソフト制約として,単純かつ効果的な自己監督型正規化項を提案する。 時間反転対称性を効果的に課し、古典力学の下でより広い範囲の力学系にわたってより正確なモデル予測を可能にする。 様々な物理システムに対する実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-10-10T08:52:16Z)
• Learning Neural Constitutive Laws From Motion Observations for Generalizable PDE Dynamics [97.38308257547186]
  多くのNNアプローチは、支配的PDEと物質モデルの両方を暗黙的にモデル化するエンドツーエンドモデルを学ぶ。 PDEの管理はよく知られており、学習よりも明示的に実施されるべきである、と私たちは主張する。 そこで我々は,ネットワークアーキテクチャを利用したニューラル構成則(Neural Constitutive Laws,NCLaw)と呼ばれる新しいフレームワークを導入する。
  論文  参考訳（メタデータ） (2023-04-27T17:42:24Z)
• ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
  本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。 本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-11T21:07:30Z)
• Unifying physical systems' inductive biases in neural ODE using dynamics constraints [0.0]
  省エネシステムだけでなく、散逸システムにも適用可能な簡単な方法を提案する。 提案手法はニューラルネットワークアーキテクチャの変更を必要とせず,新しいアイデアを検証するための基盤を形成することができる。
  論文  参考訳（メタデータ） (2022-08-03T14:33:35Z)
• Gradient-Enhanced Physics-Informed Neural Networks for Power Systems Operational Support [36.96271320953622]
  本稿では,電力系統の動的挙動をリアルタイムに近似する機械学習手法を提案する。 提案するフレームワークは、勾配強化された物理インフォームドニューラルネットワーク(gPINN)に基づいて、電力システムを管理する基礎となる物理法則を符号化する。
  論文  参考訳（メタデータ） (2022-06-21T17:56:55Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Structure-Preserving Learning Using Gaussian Processes and Variational Integrators [62.31425348954686]
  本稿では,機械系の古典力学に対する変分積分器と,ガウス過程の回帰による残留力学の学習の組み合わせを提案する。 我々は、既知のキネマティック制約を持つシステムへのアプローチを拡張し、予測の不確実性に関する公式な境界を提供する。
  論文  参考訳（メタデータ） (2021-12-10T11:09:29Z)
• Sparsity in Partially Controllable Linear Systems [56.142264865866636]
  本研究では, 部分制御可能な線形力学系について, 基礎となる空間パターンを用いて検討する。 最適制御には無関係な状態変数を特徴付ける。
  論文  参考訳（メタデータ） (2021-10-12T16:41:47Z)
• Learning Stable Deep Dynamics Models [91.90131512825504]
  状態空間全体にわたって安定することが保証される力学系を学習するためのアプローチを提案する。 このような学習システムは、単純な力学系をモデル化することができ、複雑な力学を学習するために追加の深層生成モデルと組み合わせることができることを示す。
  論文  参考訳（メタデータ） (2020-01-17T00:04:45Z)

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。