論文の概要: Exploring the efficacy of neural networks for trajectory compression and
the inverse problem
- arxiv url: http://arxiv.org/abs/2107.08849v1
- Date: Mon, 19 Jul 2021 13:05:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-20 19:37:09.572047
- Title: Exploring the efficacy of neural networks for trajectory compression and
the inverse problem
- Title（参考訳）: 軌道圧縮におけるニューラルネットワークの有効性の探索と逆問題
- Authors: Theodoros Ntakouris
- Abstract要約: 非線型軌跡の文脈における初期値問題の解を推定するためにニューラルネットワークを用いる。
目標地点では、半径2kmまでの距離で軌道の初期条件を正確に予測できる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this document, a neural network is employed in order to estimate the
solution of the initial value problem in the context of non linear
trajectories. Such trajectories can be subject to gravity, thrust, drag,
centrifugal force, temperature, ambient air density and pressure. First, we
generate a grid of trajectory points given a specified uniform density as a
design parameter and then we investigate the performance of a neural network in
a compression and inverse problem task: the network is trained to predict the
initial conditions of the dynamics model we used in the simulation, given a
target point in space. We investigate this as a regression task, with error
propagation in consideration. For target points, up to a radius of 2
kilometers, the model is able to accurately predict the initial conditions of
the trajectories, with sub-meter deviation. This simulation-based training
process and novel real-world evaluation method is capable of computing
trajectories of arbitrary dimensions.
- Abstract（参考訳）: 本論文では, ニューラルネットワークを用いて, 非線形軌道の文脈における初期値問題の解を推定する。
このような軌道は、重力、推力、引力、遠心力、温度、周囲の空気密度、圧力に左右される。
まず、設計パラメータとして指定された一様密度を与えられた軌道点の格子を生成し、次に、圧縮および逆問題タスクにおけるニューラルネットワークの性能について調査する。
誤りの伝搬を考慮した回帰タスクとしてこれを考察する。
目標地点では、半径2kmまでの距離まで、モデルが軌道の初期状態を正確に予測することができ、メートル未満の偏差がある。
任意の次元の軌跡を計算できるシミュレーションベースのトレーニングプロセスと、新しい実世界の評価方法である。
関連論文リスト
- Parametric Nonlinear Volterra Series via Machine Learning: Transonic Aerodynamics [0.0]
本研究では、パラメトリック空間内での非定常超音速空力のモデリング手法を提案する。
1階と2階のVolterraカーネルは、空力応答から導かれる。
結果は、強い非線形性に対処する2階のカーネルを含めることの利点を裏付けている。
論文 参考訳（メタデータ） (2024-10-25T12:40:10Z) - A systematic dataset generation technique applied to data-driven automotive aerodynamics [0.0]
ニューラルネットワークを用いた自動車測地におけるドラッグ予測の文脈内で、データセットを生成するための新しい戦略が開発されている。
本手法は,少数の開始点に頼り,それらの間を体系的に補間するためのレシピを提供する。
現実的な自動車形状を用いてこの戦略を検証し、畳み込みニューラルネットワークがドラッグ係数や表面圧力を予測するのに非常に優れていることを示す。
論文 参考訳（メタデータ） (2024-08-14T06:37:30Z) - Neural Incremental Data Assimilation [8.817223931520381]
ニューラルネットワークによってパラメータ化された粗いガウス分布の列として物理系をモデル化する深層学習手法を提案する。
これにより、再構築エラーを最小限に抑えるためにエンドツーエンドで訓練された同化演算子を定義することができる。
本稿では,疎度観測によるカオス力学系へのアプローチについて述べるとともに,従来の変分データ同化法と比較する。
論文 参考訳（メタデータ） (2024-06-21T11:42:55Z) - Gas Source Localization Using physics Guided Neural Networks [4.974900944107265]
提案手法では,物理誘導ニューラルネットワークを用いて,ガス分散とソース位置をネットワーク入力として近似する。
実験の結果, ノイズによる測定でも, 音源の局所化は良好であることがわかった。
論文 参考訳（メタデータ） (2024-05-07T09:41:39Z) - Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。
我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文 参考訳（メタデータ） (2023-09-01T16:59:21Z) - Neural Motion Fields: Encoding Grasp Trajectories as Implicit Value
Functions [65.84090965167535]
本稿では,ニューラルネットワークによってパラメータ化される暗黙的値関数として,オブジェクト点群と相対的タスク軌跡の両方を符号化する新しいオブジェクト表現であるNeural Motion Fieldsを提案する。
このオブジェクト中心表現は、SE(3)空間上の連続分布をモデル化し、サンプリングベースのMPCを利用して、この値関数を最適化することで、反応的に把握することができる。
論文 参考訳（メタデータ） (2022-06-29T18:47:05Z) - The Limiting Dynamics of SGD: Modified Loss, Phase Space Oscillations,
and Anomalous Diffusion [29.489737359897312]
勾配降下法(SGD)を訓練した深部ニューラルネットワークの限界ダイナミクスについて検討する。
これらのダイナミクスを駆動する重要な要素は、本来のトレーニング損失ではなく、位相空間の振動を引き起こす速度と確率電流を暗黙的に規則化する修正損失の組み合わせであることを示す。
論文 参考訳（メタデータ） (2021-07-19T20:18:57Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2021-07-16T12:56:09Z) - Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。
まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。
そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
論文 参考訳（メタデータ） (2020-11-25T14:00:18Z) - A Bayesian Perspective on Training Speed and Model Selection [51.15664724311443]
モデルのトレーニング速度の測定値を用いて,その限界確率を推定できることを示す。
線形モデルと深部ニューラルネットワークの無限幅限界に対するモデル選択タスクの結果を検証する。
以上の結果から、勾配勾配勾配で訓練されたニューラルネットワークが、一般化する関数に偏りがある理由を説明するための、有望な新たな方向性が示唆された。
論文 参考訳（メタデータ） (2020-10-27T17:56:14Z) - Feature Purification: How Adversarial Training Performs Robust Deep
Learning [66.05472746340142]
ニューラルネットワークのトレーニングプロセス中に隠れた重みに、特定の小さな密度の混合物が蓄積されることが、敵の例の存在の原因の1つであることを示す。
この原理を説明するために、CIFAR-10データセットの両実験と、ある自然な分類タスクに対して、ランダムな勾配勾配勾配を用いた2層ニューラルネットワークをトレーニングすることを証明する理論的結果を示す。
論文 参考訳（メタデータ） (2020-05-20T16:56:08Z)
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。