論文の概要: Hamiltonian-based Neural ODE Networks on the SE(3) Manifold For Dynamics Learning and Control

• arxiv url: http://arxiv.org/abs/2106.12782v1
• Date: Thu, 24 Jun 2021 06:13:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-25 14:48:06.560075
• Title: Hamiltonian-based Neural ODE Networks on the SE(3) Manifold For Dynamics Learning and Control
• Title（参考訳）: se(3)多様体上のhamiltonian-based neural ode networkによるダイナミクス学習と制御
• Authors: Thai Duong and Nikolay Atanasov
• Abstract要約: 我々は、状態制御トラジェクトリのトレーニングセット上で、ロボットのダイナミクスを近似するために機械学習技術を使用する。 我々は、学習された、潜在的に不安定なSE(3)ハミルトン動力学のためのエネルギー整形および減衰注入制御を開発する。
• 参考スコア（独自算出の注目度）: 15.26733033527393
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate models of robot dynamics are critical for safe and stable control and generalization to novel operational conditions. Hand-designed models, however, may be insufficiently accurate, even after careful parameter tuning. This motivates the use of machine learning techniques to approximate the robot dynamics over a training set of state-control trajectories. The dynamics of many robots, including ground, aerial, and underwater vehicles, are described in terms of their SE(3) pose and generalized velocity, and satisfy conservation of energy principles. This paper proposes a Hamiltonian formulation over the SE(3) manifold of the structure of a neural ordinary differential equation (ODE) network to approximate the dynamics of a rigid body. In contrast to a black-box ODE network, our formulation guarantees total energy conservation by construction. We develop energy shaping and damping injection control for the learned, potentially under-actuated SE(3) Hamiltonian dynamics to enable a unified approach for stabilization and trajectory tracking with various platforms, including pendulum, rigid-body, and quadrotor systems.
• Abstract（参考訳）: ロボットのダイナミクスの正確なモデルは、安全で安定した制御と新しい操作条件への一般化に不可欠である。 しかし、手動で設計したモデルは、注意深いパラメータチューニングの後でも精度が不十分である可能性がある。 これにより、状態制御トラジェクトリのトレーニングセット上で、ロボットのダイナミクスを近似するための機械学習技術の使用が動機となる。 地上、空中、水中の車両を含む多くのロボットのダイナミクスは、se(3)のポーズと一般的な速度で記述され、エネルギー原理の保存を満足している。 本稿では,神経常微分方程式(ode)ネットワークの構造のse(3)多様体上でのハミルトンの定式化を提案し,剛体のダイナミクスを近似する。 ブラックボックスODEネットワークとは対照的に,我々の定式化は建設による全エネルギー保存を保証する。 本研究は, 学習された低アクチュエータSE(3)ハミルトン力学のエネルギー形状制御と減衰注入制御を開発し, 振子系, 剛体系, 四角形系など, 各種プラットフォームでの安定化と軌道追尾の統一的手法を実現する。

関連論文リスト

• Input-to-State Stable Coupled Oscillator Networks for Closed-form Model-based Control in Latent Space [2.527926867319859]
  我々は、制御理論の文献から強力でよく理解された閉形式戦略を活用することが有望な道であると論じる。 既存の潜在空間モデルにおける3つの根本的な欠点は、これまでこの強力な組み合わせを妨げてきた。 これらすべての問題に同時に取り組む新しい結合ネットワーク(CON)モデルを提案する。
  論文  参考訳（メタデータ） (2024-09-13T00:11:09Z)
• Latent Space Energy-based Neural ODEs [73.01344439786524]
  本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。 マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。 発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のもの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） (2024-09-05T18:14:22Z)
• Lie Group Forced Variational Integrator Networks for Learning and Control of Robot Systems [14.748599534387688]
  本稿では,Lie群上で制御されたラグランジアンあるいはハミルトン力学を学習できる構造保存型ディープラーニングアーキテクチャを提案する。 リーFVINは、力学が進化するリー群構造と、ハミルトニアン系やラグランジアン系の下にあるシンプレクティック構造の両方を保存している。
  論文  参考訳（メタデータ） (2022-11-29T08:14:05Z)
• 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)
• End-to-End Learning of Hybrid Inverse Dynamics Models for Precise and Compliant Impedance Control [16.88250694156719]
  剛体力学モデルの物理的に一貫した慣性パラメータを同定できる新しいハイブリッドモデルの定式化を提案する。 7自由度マニピュレータ上での最先端の逆動力学モデルに対する我々のアプローチを比較した。
  論文  参考訳（メタデータ） (2022-05-27T07:39:28Z)
• Neural Operator with Regularity Structure for Modeling Dynamics Driven by SPDEs [70.51212431290611]
  偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。 本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。 動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
  論文  参考訳（メタデータ） (2022-04-13T08:53:41Z)
• Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
  データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。 ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。 ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
  論文  参考訳（メタデータ） (2022-04-09T22:07:34Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Neural Dynamic Policies for End-to-End Sensorimotor Learning [51.24542903398335]
  感覚運動制御における現在の主流パラダイムは、模倣であれ強化学習であれ、生の行動空間で政策を直接訓練することである。 軌道分布空間の予測を行うニューラル・ダイナミック・ポリシー(NDP)を提案する。 NDPは、いくつかのロボット制御タスクにおいて、効率と性能の両面で、これまでの最先端よりも優れている。
  論文  参考訳（メタデータ） (2020-12-04T18:59:32Z)
• Unsupervised Learning of Lagrangian Dynamics from Images for Prediction and Control [12.691047660244335]
  画像からラグランジアン力学を学習する新しい教師なしニューラルネットワークモデルを導入する。 このモデルは、座標対応変分オートエンコーダで同時に学習される一般化座標上でラグランジアン力学を推論する。
  論文  参考訳（メタデータ） (2020-07-03T20:06:43Z)
• Symplectic ODE-Net: Learning Hamiltonian Dynamics with Control [14.24939133094439]
  物理系の力学を推論できるディープラーニングフレームワークであるSymlectic ODE-Net(SymODEN)を紹介する。 特に、ハミルトン力学を制御して、基礎となる力学を透過的に学習する。 このフレームワークは、物理的システムに対して解釈可能で物理的に一貫性のあるモデルを提供することで、モデルベースの制御戦略を合成する新たな可能性を開く。
  論文  参考訳（メタデータ） (2019-09-26T13:13:16Z)

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。