論文の概要: Physics-Informed Kernel Embeddings: Integrating Prior System Knowledge
with Data-Driven Control
- arxiv url: http://arxiv.org/abs/2301.03565v1
- Date: Mon, 9 Jan 2023 18:35:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 18:56:46.229775
- Title: Physics-Informed Kernel Embeddings: Integrating Prior System Knowledge
with Data-Driven Control
- Title（参考訳）: 物理インフォームドカーネル埋め込み:事前システム知識とデータ駆動制御の統合
- Authors: Adam J. Thorpe, Cyrus Neary, Franck Djeumou, Meeko M. K. Oishi, Ufuk
Topcu
- Abstract要約: カーネル埋め込みを用いたデータ駆動制御アルゴリズムに事前知識を組み込む手法を提案する。
提案手法は,カーネル学習問題におけるバイアス項として,システムダイナミクスの事前知識を取り入れたものである。
純粋にデータ駆動ベースライン上でのサンプル効率の向上と,我々のアプローチのアウト・オブ・サンプル一般化を実証する。
- 参考スコア（独自算出の注目度）: 22.549914935697366
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data-driven control algorithms use observations of system dynamics to
construct an implicit model for the purpose of control. However, in practice,
data-driven techniques often require excessive sample sizes, which may be
infeasible in real-world scenarios where only limited observations of the
system are available. Furthermore, purely data-driven methods often neglect
useful a priori knowledge, such as approximate models of the system dynamics.
We present a method to incorporate such prior knowledge into data-driven
control algorithms using kernel embeddings, a nonparametric machine learning
technique based in the theory of reproducing kernel Hilbert spaces. Our
proposed approach incorporates prior knowledge of the system dynamics as a bias
term in the kernel learning problem. We formulate the biased learning problem
as a least-squares problem with a regularization term that is informed by the
dynamics, that has an efficiently computable, closed-form solution. Through
numerical experiments, we empirically demonstrate the improved sample
efficiency and out-of-sample generalization of our approach over a purely
data-driven baseline. We demonstrate an application of our method to control
through a target tracking problem with nonholonomic dynamics, and on
spring-mass-damper and F-16 aircraft state prediction tasks.
- Abstract（参考訳）: データ駆動制御アルゴリズムは、制御のために暗黙のモデルを構築するためにシステムダイナミクスの観測を使用する。
しかし、実際には、データ駆動技術は過剰なサンプルサイズを必要とすることが多く、システムの限られた観察しかできない現実のシナリオでは実現不可能である。
さらに、純粋データ駆動手法は、システムダイナミクスの近似モデルなど、しばしば有用な事前知識を無視する。
本稿では,カーネルヒルベルト空間を再現する理論に基づく非パラメトリック機械学習手法であるkernel embeddedsを用いて,事前知識をデータ駆動制御アルゴリズムに組み込む手法を提案する。
提案手法では,システムダイナミクスの事前知識を,カーネル学習問題におけるバイアス項として取り入れる。
偏りのある学習問題を、効率よく計算可能でクローズドな解を持つダイナミックスによって通知される正規化項で最小二乗問題として定式化する。
数値実験により, サンプル効率の向上と, 純粋にデータ駆動ベースライン上でのアプローチの一般化を実証的に実証した。
本研究では,非ホロノミックダイナミクスを用いた目標追尾問題,およびバネマスダンパーおよびf-16航空機の状態予測タスクにおいて,目標追尾問題を通じて制御する手法の応用を実証する。
関連論文リスト
- Active Learning for Control-Oriented Identification of Nonlinear Systems [26.231260751633307]
本稿では,非線形力学の一般クラスに適した能動学習アルゴリズムの最初の有限サンプル解析について述べる。
ある設定では、アルゴリズムの過剰な制御コストは、対数係数まで、最適な速度を達成する。
我々は,非線形システムの制御におけるアクティブな制御指向探索の利点を示すとともに,シミュレーションにおける我々のアプローチを検証する。
論文 参考訳（メタデータ） (2024-04-13T15:40:39Z) - Implicit Bias of Policy Gradient in Linear Quadratic Control: Extrapolation to Unseen Initial States [52.56827348431552]
勾配降下はしばしば暗黙のバイアスを示し、目に見えないデータに優れたパフォーマンスをもたらす。
本稿では,初期状態に対する外挿の観点から,政策勾配の暗黙バイアスを理論的に検討する。
論文 参考訳（メタデータ） (2024-02-12T18:41:31Z) - A Deep Learning Technique to Control the Non-linear Dynamics of a
Gravitational-wave Interferometer [0.0]
非線形動的制御問題を解くディープラーニング手法を開発した。
LIGOシステムの動作に生じる重要な非線形制御問題に対して,本手法を適用した。
また、1つの現代的なCPUコア上で、高速なサンプリング速度でリアルタイムに実行できる計算効率の良いモデルを開発した。
論文 参考訳（メタデータ） (2023-02-15T19:47:56Z) - On Robust Numerical Solver for ODE via Self-Attention Mechanism [82.95493796476767]
我々は,内在性雑音障害を緩和し,AIによって強化された数値解法を,データサイズを小さくする訓練について検討する。
まず,教師付き学習における雑音を制御するための自己認識機構の能力を解析し,さらに微分方程式の数値解に付加的な自己認識機構を導入し,簡便かつ有効な数値解法であるAttrを提案する。
論文 参考訳（メタデータ） (2023-02-05T01:39:21Z) - Using scientific machine learning for experimental bifurcation analysis
of dynamic systems [2.204918347869259]
本研究は、極限サイクルを持つ物理非線形力学系に対する普遍微分方程式(UDE)モデルの訓練に焦点をあてる。
数値シミュレーションによりトレーニングデータを生成する例を考察するとともに,提案するモデリング概念を物理実験に適用する。
ニューラルネットワークとガウス過程の両方を、力学モデルと共に普遍近似器として使用し、UDEモデリングアプローチの正確性と堅牢性を批判的に評価する。
論文 参考訳（メタデータ） (2021-10-22T15:43:03Z) - Supervised DKRC with Images for Offline System Identification [77.34726150561087]
現代の力学系はますます非線形で複雑なものになりつつある。
予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。
本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
論文 参考訳（メタデータ） (2021-09-06T04:39:06Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳（メタデータ） (2021-02-15T19:56:48Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z) - Data Assimilation Networks [1.5545257664210517]
データ同化は、システムの数学的表現とノイズの観測を組み合わせることで、力学系の状態を予測することを目的としている。
本稿では,再帰的エルマンネットワークとデータ同化アルゴリズムを一般化した完全データ駆動型ディープラーニングアーキテクチャを提案する。
本アーキテクチャは, 明示的な正規化手法を使わずに, システム状態の確率密度関数の解析と伝播の両面において, EnKF に匹敵する性能を達成している。
論文 参考訳（メタデータ） (2020-10-19T17:35:36Z) - Knowledge-Based Learning of Nonlinear Dynamics and Chaos [3.673994921516517]
本稿では,非線形システムから観測結果に基づいて予測モデルを抽出するための普遍的な学習フレームワークを提案する。
我々のフレームワークは、非線形システムを連続時間系として自然にモデル化するため、第一原理知識を容易に組み込むことができる。
論文 参考訳（メタデータ） (2020-10-07T13:50:13Z) - How Training Data Impacts Performance in Learning-based Control [67.7875109298865]
本稿では,トレーニングデータの密度と制御性能の関係を考察する。
データセットの品質尺度を定式化し、$rho$-gap と呼ぶ。
フィードバック線形化制御法に$rho$-gapを適用する方法を示す。
論文 参考訳（メタデータ） (2020-05-25T12:13:49Z)
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。