論文の概要: LINKS: A dataset of a hundred million planar linkage mechanisms for
data-driven kinematic design
- arxiv url: http://arxiv.org/abs/2208.14567v1
- Date: Tue, 30 Aug 2022 23:33:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-01 13:53:15.046110
- Title: LINKS: A dataset of a hundred million planar linkage mechanisms for
data-driven kinematic design
- Title(参考訳): LINKS:データ駆動キネマティックデザインのための1億の平面リンク機構のデータセット
- Authors: Amin Heyrani Nobari, Akash Srivastava, Dan Gutfreund, Faez Ahmed
- Abstract要約: 本稿では,1自由度平面リンク機構と11億カプラ曲線のデータセットを提案する。
データセットは、既存のプラナー機構のデータベースの1000倍以上である。
1億のメカニズム、各メカニズムのシミュレーションデータ、各メカニズムによって生成される正規化されたパス、データの生成とシミュレートに使用されるコード、リンク機構のインタラクティブな設計のためのライブWebデモなど、さまざまなコンポーネントで構成されている。
- 参考スコア(独自算出の注目度): 11.435660714803257
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we introduce LINKS, a dataset of 100 million one degree of
freedom planar linkage mechanisms and 1.1 billion coupler curves, which is more
than 1000 times larger than any existing database of planar mechanisms and is
not limited to specific kinds of mechanisms such as four-bars, six-bars, \etc
which are typically what most databases include. LINKS is made up of various
components including 100 million mechanisms, the simulation data for each
mechanism, normalized paths generated by each mechanism, a curated set of
paths, the code used to generate the data and simulate mechanisms, and a live
web demo for interactive design of linkage mechanisms. The curated paths are
provided as a measure for removing biases in the paths generated by mechanisms
that enable a more even design space representation. In this paper, we discuss
the details of how we can generate such a large dataset and how we can overcome
major issues with such scales. To be able to generate such a large dataset we
introduce a new operator to generate 1-DOF mechanism topologies, furthermore,
we take many steps to speed up slow simulations of mechanisms by vectorizing
our simulations and parallelizing our simulator on a large number of threads,
which leads to a simulation 800 times faster than the simple simulation
algorithm. This is necessary given on average, 1 out of 500 candidates that are
generated are valid~(and all must be simulated to determine their validity),
which means billions of simulations must be performed for the generation of
this dataset. Then we demonstrate the depth of our dataset through a
bi-directional chamfer distance-based shape retrieval study where we show how
our dataset can be used directly to find mechanisms that can trace paths very
close to desired target paths.
- Abstract(参考訳): 本稿では,1億の1次自由平面結合機構と111億のカプラ曲線のデータセットであるlinksを紹介する。これは,既存の平面機構のデータベースの1000倍以上の大きさで,一般的なデータベースに含まれる4つのバー,6つのバー,\etcといった特定のメカニズムに限定されない。
リンクは、1億のメカニズム、各メカニズムのシミュレーションデータ、各メカニズムによって生成される正規化されたパス、キュレーションされたパス、データを生成してメカニズムをシミュレートするコード、リンク機構をインタラクティブに設計するためのライブwebデモなど、さまざまなコンポーネントで構成されている。
キュレートされた経路は、より設計空間の表現を可能にするメカニズムによって生成された経路のバイアスを取り除く尺度として提供される。
本稿では,このような大規模データセットを生成する方法の詳細と,そのようなスケールで大きな問題を克服する方法について述べる。
このような大きなデータセットを生成するために,1-DOF機構トポロジを生成するための新しい演算子を導入し,さらにシミュレーションをベクトル化し,シミュレータを多数のスレッドで並列化することで機構の遅いシミュレーションを高速化し,単純なシミュレーションアルゴリズムよりも800倍高速なシミュレーションを実現する。
これは、平均して500の候補のうち1つが有効である(そして全員が妥当性を決定するためにシミュレートされなければならない)ため、このデータセットの生成には数十億のシミュレーションが実行されなければならない。
次に、双方向のチャンファー距離に基づく形状検索研究を通して、データセットの深さを実証し、データセットを直接使用して、望ましい目標経路に非常に近い経路を辿るメカニズムを見つける方法を示す。
関連論文リスト
- Waymax: An Accelerated, Data-Driven Simulator for Large-Scale Autonomous
Driving Research [76.93956925360638]
Waymaxは、マルチエージェントシーンにおける自動運転のための新しいデータ駆動シミュレータである。
TPU/GPUなどのハードウェアアクセラレータで完全に動作し、トレーニング用のグラフ内シミュレーションをサポートする。
我々は、一般的な模倣と強化学習アルゴリズムのスイートをベンチマークし、異なる設計決定に関するアブレーション研究を行った。
論文 参考訳(メタデータ) (2023-10-12T20:49:15Z) - Spatio-Temporal Surrogates for Interaction of a Jet with High
Explosives: Part I -- Analysis with a Small Sample Size [0.0]
高い爆発物と相互作用するジェットの2次元問題を用いて、高品質なサロゲートをどうやって構築できるかを理解する。
それぞれのシミュレーションから得られるベクトル値出力は200万以上の空間的位置で利用可能である。
我々は、これらの非常に大きなデータセットを分析し、分析に使用されるアルゴリズムのパラメータを設定し、時間的・時間的サロゲートの精度を向上させるために簡単な方法を用いる方法を示す。
論文 参考訳(メタデータ) (2023-07-03T23:10:23Z) - In Situ Framework for Coupling Simulation and Machine Learning with
Application to CFD [51.04126395480625]
近年、流体力学計算を容易にする機械学習(ML)の多くの成功例が報告されている。
シミュレーションが大きくなるにつれて、従来のオフライン学習のための新しいトレーニングデータセットの生成は、I/Oとストレージのボトルネックを生み出します。
この作業は、この結合を単純化し、異種クラスタでのその場トレーニングと推論を可能にするソリューションを提供する。
論文 参考訳(メタデータ) (2023-06-22T14:07:54Z) - Closing the loop: Autonomous experiments enabled by
machine-learning-based online data analysis in synchrotron beamline
environments [80.49514665620008]
機械学習は、大規模または高速に生成されたデータセットを含む研究を強化するために使用できる。
本研究では,X線反射法(XRR)のための閉ループワークフローへのMLの導入について述べる。
本研究では,ビームライン制御ソフトウェア環境に付加的なソフトウェア依存関係を導入することなく,実験中の基本データ解析をリアルタイムで行うソリューションを提案する。
論文 参考訳(メタデータ) (2023-06-20T21:21:19Z) - TSGM: A Flexible Framework for Generative Modeling of Synthetic Time
Series [79.64785804590821]
時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。
本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
論文 参考訳(メタデータ) (2023-05-19T10:11:21Z) - ELSA -- Enhanced latent spaces for improved collider simulations [0.1450405446885067]
シミュレーションは、コライダー物理学における推論において重要な役割を果たす。
機械学習を用いてシミュレーションの精度を高めるための様々なアプローチを探索する。
修正されたシミュレーションは、幅広い位相空間にわたって、サブパーセンテージの精度を達成することができる。
論文 参考訳(メタデータ) (2023-05-12T18:00:03Z) - Towards Precise Model-free Robotic Grasping with Sim-to-Real Transfer
Learning [11.470950882435927]
本稿では,ロボットの把持ネットワークについて述べる。
物理ロボット実験では,1つの既知の物体と,90.91%の成功率を持つ新しい複合形状の家庭用物体を把握した。
提案した把握フレームワークは、既知の物体と未知の物体の両方において、最先端の2つの手法より優れていた。
論文 参考訳(メタデータ) (2023-01-28T16:57:19Z) - PREPRINT: Comparison of deep learning and hand crafted features for
mining simulation data [7.214140640112874]
本稿では,高次元データセットから有意な結果を自動抽出する作業について述べる。
このようなデータを処理することができる深層学習手法を提案し、シミュレーションデータに関する関連するタスクを解決するように訓練することができる。
16,000フローフィールドを含む翼まわりの流れ場の2次元シミュレーションの大規模なデータセットをコンパイルし,比較を行った。
論文 参考訳(メタデータ) (2021-03-11T09:28:00Z) - Scalable nonparametric Bayesian learning for heterogeneous and dynamic
velocity fields [8.744017403796406]
速度場データの不均一および動的パターンを学習するモデルを開発した。
複雑な多車間相互作用のNGSIMデータセットに対して,本手法の有効性を示す。
論文 参考訳(メタデータ) (2021-02-15T17:45:46Z) - Generalized Matrix Factorization: efficient algorithms for fitting
generalized linear latent variable models to large data arrays [62.997667081978825]
一般化線形潜在変数モデル(GLLVM)は、そのような因子モデルを非ガウス応答に一般化する。
GLLVMのモデルパラメータを推定する現在のアルゴリズムは、集約的な計算を必要とし、大規模なデータセットにスケールしない。
本稿では,GLLVMを高次元データセットに適用するための新しい手法を提案する。
論文 参考訳(メタデータ) (2020-10-06T04:28:19Z) - AutoSimulate: (Quickly) Learning Synthetic Data Generation [70.82315853981838]
目的の新たな微分可能近似に基づく最適な合成データ生成法を提案する。
提案手法は,学習データ生成の高速化(最大50Times$)と,実世界のテストデータセットの精度向上(+8.7%$)を実現している。
論文 参考訳(メタデータ) (2020-08-16T11:36:11Z)
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。