論文の概要: Physics-informed Reinforcement Learning for Perception and Reasoning about Fluids

• arxiv url: http://arxiv.org/abs/2203.05775v1
• Date: Fri, 11 Mar 2022 07:01:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-14 19:07:37.067589
• Title: Physics-informed Reinforcement Learning for Perception and Reasoning about Fluids
• Title（参考訳）: 物理インフォームド強化学習による流体の知覚と推論
• Authors: Beatriz Moya, Alberto Badias, David Gonzalez, Francisco Chinesta, Elias Cueto
• Abstract要約: 本研究では,流体知覚と観測からの推論のための物理インフォームド強化学習戦略を提案する。 本研究では,コモディティカメラで自由表面を観察した未確認液体の追跡(知覚)と解析(推論)を行う手法を開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Learning and reasoning about physical phenomena is still a challenge in robotics development, and computational sciences play a capital role in the search for accurate methods able to provide explanations for past events and rigorous forecasts of future situations. We propose a physics-informed reinforcement learning strategy for fluid perception and reasoning from observations. As a model problem, we take the sloshing phenomena of different fluids contained in a glass. Starting from full-field and high-resolution synthetic data for a particular fluid, we develop a method for the tracking (perception) and analysis (reasoning) of any previously unseen liquid whose free surface is observed with a commodity camera. This approach demonstrates the importance of physics and knowledge not only in data-driven (grey box) modeling but also in the correction for real physics adaptation in low data regimes and partial observations of the dynamics. The method here presented is extensible to other domains such as the development of cognitive digital twins, able to learn from observation of phenomena for which they have not been trained explicitly.
• Abstract（参考訳）: 物理現象の学習と推論はロボット工学の発展において依然として課題であり、計算科学は過去の出来事の説明や将来の状況を厳密に予測できる正確な方法の探索において重要な役割を担っている。 流体知覚と観測からの推論のための物理インフォームド強化学習戦略を提案する。 モデル問題として,ガラスに含まれる異なる流体のスロッシング現象を考察する。 特定の流体のフルフィールドおよび高分解能合成データから始め, 商品カメラで自由表面を観測した未検出液体の追跡(知覚)と分析(共鳴)の方法を開発した。 このアプローチは、データ駆動(グレーボックス)モデリングだけでなく、低データ状態における実際の物理適応の補正や、ダイナミクスの部分的な観察においても、物理学と知識の重要性を示す。 この手法は認知デジタル双生児の発達などの他の領域にも拡張可能であり、それらが明示的に訓練されていない現象の観察から学ぶことができる。

関連論文リスト

• PIETRA: Physics-Informed Evidential Learning for Traversing Out-of-Distribution Terrain [35.21102019590834]
  物理インフォームド・エビデンシャル・トラバーサビリティ(英: Physics-Informed Evidential Traversability、略称:PIETRA)は、物理の先行性を直接、明らかなニューラルネットワークの数学的定式化に統合する自己指導型学習フレームワークである。 我々の明らかなネットワークは、学習と物理に基づくアウト・オブ・ディストリビューション・インプットの予測をシームレスに遷移させる。 PIETRAは、大きな分散シフトのある環境における学習精度とナビゲーション性能の両方を改善している。
  論文  参考訳（メタデータ） (2024-09-04T18:01:10Z)
• Machine Learning with Physics Knowledge for Prediction: A Survey [16.96920919164813]
  本研究では,機械学習と物理知識を組み合わせて予測と予測を行う手法とモデルについて検討する。 まず、目的関数、構造化予測モデル、データ拡張を通じて、アーキテクチャレベルでの物理知識を取り入れることを検討する。 第二に、データを物理知識とみなし、マルチタスク、メタ、コンテキスト学習をデータ駆動方式で物理知識を組み込む代替アプローチとして考える。
  論文  参考訳（メタデータ） (2024-08-19T09:36:07Z)
• Latent Intuitive Physics: Learning to Transfer Hidden Physics from A 3D Video [58.043569985784806]
  本稿では,物理シミュレーションのための伝達学習フレームワークである潜在直観物理学を紹介する。 単一の3Dビデオから流体の隠れた性質を推測し、新しいシーンで観察された流体をシミュレートすることができる。 我々は,本モデルの有効性を3つの方法で検証する: (i) 学習されたビジュアルワールド物理を用いた新しいシーンシミュレーション, (ii) 観測された流体力学の将来予測, (iii) 教師付き粒子シミュレーション。
  論文  参考訳（メタデータ） (2024-06-18T16:37:44Z)
• Physics-Encoded Graph Neural Networks for Deformation Prediction under Contact [87.69278096528156]
  ロボット工学では、触覚相互作用における物体の変形を理解することが不可欠である。 本稿では,物理符号化グラフニューラルネットワーク(GNN)を用いた予測手法を提案する。 コードとデータセットを公開して、ロボットシミュレーションと把握の研究を進めました。
  論文  参考訳（メタデータ） (2024-02-05T19:21:52Z)
• X-VoE: Measuring eXplanatory Violation of Expectation in Physical Events [75.94926117990435]
  本研究では,AIエージェントによる直感的な物理の把握を評価するベンチマークデータセットであるX-VoEを紹介する。 X-VoEは直感的な物理モデルの説明能力を高めるためのより高いバーを確立する。 本稿では、物理力学を捉え、隠蔽対象状態を推定する説明に基づく学習システムを提案する。
  論文  参考訳（メタデータ） (2023-08-21T03:28:23Z)
• NeuroFluid: Fluid Dynamics Grounding with Particle-Driven Neural Radiance Fields [65.07940731309856]
  深層学習は流体のような複雑な粒子系の物理力学をモデル化する大きな可能性を示している。 本稿では,流体力学グラウンドリング(fluid dynamics grounding)として知られる,部分的に観測可能なシナリオについて考察する。 我々はNeuroFluidという2段階の異なるネットワークを提案する。 初期形状、粘度、密度が異なる流体の基礎物理学を合理的に推定することが示されている。
  論文  参考訳（メタデータ） (2022-03-03T15:13:29Z)
• Physics perception in sloshing scenes with guaranteed thermodynamic consistency [0.0]
  自由表面の測定からスロッシング液の完全な状態を知るための戦略を提案する。 我々のアプローチは、リカレントニューラルネットワーク(RNN)に基づいて、低次多様体に利用可能な限られた情報を投影する。
  論文  参考訳（メタデータ） (2021-06-24T20:13:56Z)
• 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)
• Visual Grounding of Learned Physical Models [66.04898704928517]
  人間は、物体の物理的特性を直感的に認識し、複雑な相互作用に従事している場合でも、その動きを予測する。 我々は、物理を同時に推論し、視覚と力学の先行に基づく将来の予測を行うニューラルモデルを提案する。 実験により、我々のモデルはいくつかの観測範囲内で物理的特性を推測できることが示され、モデルが目に見えないシナリオに迅速に適応し、将来正確な予測を行うことができる。
  論文  参考訳（メタデータ） (2020-04-28T17:06:38Z)

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。