論文の概要: Combining Physics and Deep Learning to learn Continuous-Time Dynamics
Models
- arxiv url: http://arxiv.org/abs/2110.01894v1
- Date: Tue, 5 Oct 2021 09:30:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-06 13:59:57.858499
- Title: Combining Physics and Deep Learning to learn Continuous-Time Dynamics
Models
- Title（参考訳）: 物理とディープラーニングを組み合わせて連続時間ダイナミクスモデルを学ぶ
- Authors: Michael Lutter and Jan Peters
- Abstract要約: 物理に着想を得た深層ネットワークを導入し,物理と深層学習の第一原理を組み合わせた。
ディープラグランジアンネットワーク (Deep Lagrangian Networks, DeLaN) は、2つのネットワークを用いてシステムエネルギーをパラメータ化する。
提案手法は実時間制御のための物理系に適用可能な力学モデルが得られることを示す。
- 参考スコア（独自算出の注目度）: 31.842201180914756
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning has been widely used within learning algorithms for robotics.
One disadvantage of deep networks is that these networks are black-box
representations. Therefore, the learned approximations ignore the existing
knowledge of physics or robotics. Especially for learning dynamics models,
these black-box models are not desirable as the underlying principles are well
understood and the standard deep networks can learn dynamics that violate these
principles. To learn dynamics models with deep networks that guarantee
physically plausible dynamics, we introduce physics-inspired deep networks that
combine first principles from physics with deep learning. We incorporate
Lagrangian mechanics within the model learning such that all approximated
models adhere to the laws of physics and conserve energy. Deep Lagrangian
Networks (DeLaN) parametrize the system energy using two networks. The
parameters are obtained by minimizing the squared residual of the
Euler-Lagrange differential equation. Therefore, the resulting model does not
require specific knowledge of the individual system, is interpretable, and can
be used as a forward, inverse, and energy model. Previously these properties
were only obtained when using system identification techniques that require
knowledge of the kinematic structure. We apply DeLaN to learning dynamics
models and apply these models to control simulated and physical rigid body
systems. The results show that the proposed approach obtains dynamics models
that can be applied to physical systems for real-time control. Compared to
standard deep networks, the physics-inspired models learn better models and
capture the underlying structure of the dynamics.
- Abstract（参考訳）: ディープラーニングはロボット工学の学習アルゴリズムで広く使われている。
ディープネットワークの欠点の一つは、これらのネットワークがブラックボックス表現であることだ。
したがって、学習した近似は物理学やロボット工学の既存の知識を無視している。
特に学習ダイナミクスモデルでは、基盤となる原則が十分に理解されており、標準ディープネットワークがこれらの原則に違反するダイナミクスを学ぶことができるため、これらのブラックボックスモデルは望ましくない。
物理的に可算な力学を保証するディープ・ネットワークを用いた力学モデルを学ぶために,物理から第一原理を取り入れた物理に着想を得たディープ・ネットワークを導入する。
ラグランジアン力学をモデル学習に組み入れ、すべての近似モデルが物理学の法則と保存エネルギーに従属するようにする。
DeLaN(Deep Lagrangian Networks)は、2つのネットワークを用いてシステムエネルギーをパラメータ化する。
パラメータはオイラー・ラグランジュ微分方程式の平方残差を最小化することによって得られる。
したがって、結果として得られるモデルは個々のシステムの特定の知識を必要とせず、解釈可能であり、前方、逆、およびエネルギーモデルとして使用できる。
従来はキネマティック構造の知識を必要とするシステム識別技術を用いてのみ得られた。
DeLaNを動的モデルの学習に適用し、これらのモデルをシミュレーションおよび物理剛体系の制御に適用する。
提案手法は,実時間制御のための物理システムに適用可能な動力学モデルが得られることを示す。
通常のディープネットワークと比較して、物理に触発されたモデルはより良いモデルを学び、ダイナミクスの基盤となる構造を捉える。
関連論文リスト
- Physics Encoded Blocks in Residual Neural Network Architectures for Digital Twin Models [2.8720819157502344]
本稿では,新しい物理符号化残差ニューラルネットワークアーキテクチャに基づく汎用的アプローチを提案する。
本手法は,物理モデルからの数学的演算子として物理ブロックを,フィードフォワード層を構成する学習ブロックと組み合わせる。
従来のニューラルネットワーク方式と比較して,本手法はデータ要求量を大幅に減らして一般化性を向上させる。
論文 参考訳（メタデータ） (2024-11-18T11:58:20Z) - Physically Consistent Neural ODEs for Learning Multi-Physics Systems [0.0]
本稿では, 可逆ポート・ハミルトニアンシステム (IPHS) の枠組みを利用する。
データからパラメータを学習するために,PC-NODE(Physically Consistent NODE)を提案する。
提案手法の有効性を実世界の実測値から建物熱力学を学習し,その有効性を実証する。
論文 参考訳（メタデータ） (2022-11-11T11:20:35Z) - 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) - Physics Embedded Neural Network Vehicle Model and Applications in
Risk-Aware Autonomous Driving Using Latent Features [6.33280703577189]
非ホロノミック車両運動は物理学に基づくモデルを用いて広く研究されている。
本稿では,ディープラーニングと完全に微分可能な物理モデルとをシームレスに組み合わせ,ニューラルネットワークに事前知識を付与する。
論文 参考訳（メタデータ） (2022-07-16T12:06:55Z) - ModLaNets: Learning Generalisable Dynamics via Modularity and Physical
Inductive Bias [14.474273671369584]
モジュラリティと物理的帰納バイアスを有する構造的ニューラルネットワークフレームワークを提案する。
このフレームワークはモジュラリティを用いて各要素のエネルギーをモデル化し、ラグランジュ力学を介して対象の力学系を構築する。
トレーニングデータセットの小さい二重振り子または3体システムのモデリングフレームワークについて検討する。
論文 参考訳（メタデータ） (2022-06-24T14:54:25Z) - 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) - Which priors matter? Benchmarking models for learning latent dynamics [70.88999063639146]
古典力学の先行概念を機械学習モデルに統合する手法が提案されている。
これらのモデルの現在の機能について、精査する。
連続的および時間的可逆的ダイナミクスの使用は、すべてのクラスのモデルに恩恵をもたらす。
論文 参考訳（メタデータ） (2021-11-09T23:48:21Z) - Constructing Neural Network-Based Models for Simulating Dynamical
Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。
本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。
基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文 参考訳（メタデータ） (2021-11-02T10:51:42Z) - Neural Networks with Physics-Informed Architectures and Constraints for
Dynamical Systems Modeling [19.399031618628864]
軌道データから動的モデルを学ぶためのフレームワークを開発する。
出力の値とモデルの内部状態に制約を課す。
様々な力学系に対する提案手法の利点を実験的に実証した。
論文 参考訳（メタデータ） (2021-09-14T02:47:51Z) - 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) - 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。