論文の概要: Learning Vortex Dynamics for Fluid Inference and Prediction
- arxiv url: http://arxiv.org/abs/2301.11494v1
- Date: Fri, 27 Jan 2023 02:10:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-30 16:39:32.076268
- Title: Learning Vortex Dynamics for Fluid Inference and Prediction
- Title(参考訳): 流体推論と予測のための学習渦ダイナミクス
- Authors: Yitong Deng, Hong-Xing Yu, Jiajun Wu, Bo Zhu
- Abstract要約: 本研究では, 可変渦粒子を用いた新しい機械学習手法を提案し, 一つのビデオから流体力学を推論し, 予測する。
そこで我々は, 学習可能な渦対速度のダイナミックスマッピングと組み合わせて, 複雑な流れの特徴を効果的に捉え, 表現するために, 新たな微分可能渦粒子系を考案した。
- 参考スコア(独自算出の注目度): 25.969713036393895
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a novel machine learning method based on differentiable vortex
particles to infer and predict fluid dynamics from a single video. The key
design of our system is a particle-based latent space to encapsulate the
hidden, Lagrangian vortical evolution underpinning the observable, Eulerian
flow phenomena. We devise a novel differentiable vortex particle system in
conjunction with their learnable, vortex-to-velocity dynamics mapping to
effectively capture and represent the complex flow features in a reduced space.
We further design an end-to-end training pipeline to directly learn and
synthesize simulators from data, that can reliably deliver future video
rollouts based on limited observation. The value of our method is twofold:
first, our learned simulator enables the inference of hidden physics quantities
(e.g. velocity field) purely from visual observation, to be used for motion
analysis; secondly, it also supports future prediction, constructing the input
video's sequel along with its future dynamics evolution. We demonstrate our
method's efficacy by comparing quantitatively and qualitatively with a range of
existing methods on both synthetic and real-world videos, displaying improved
data correspondence, visual plausibility, and physical integrity.
- Abstract(参考訳): 本研究では, 微分可能な渦粒子に基づく新しい機械学習法を提案し, 単一ビデオから流体力学を推定し, 予測する。
このシステムの鍵となる設計は、観測可能なオイラー流現象の基盤となる隠れラグランジュの渦進化をカプセル化する粒子ベースの潜在空間である。
そこで我々は,学習可能な渦対速度のダイナミクスマッピングと組み合わせて,新しい微分可能な渦粒子系を考案し,空間の複雑な流れの特徴を効果的に捉え,表現する。
さらに,データからシミュレータを直接学習し,合成するためのエンドツーエンドのトレーニングパイプラインの設計を行い,限られた観察に基づいて,将来のビデオロールアウトを確実に提供できるようにした。
提案手法の価値は2つある: まず, 学習したシミュレータにより, 視覚観察からのみ得られる隠れた物理量(速度場など)を推定し, 運動解析に活用することができる。
本手法の有効性を,合成ビデオと実世界のビデオの両方において定量的・定性的に比較し,データ対応性,視認性,身体的整合性を向上させた。
関連論文リスト
- EuLagNet: Eulerian Fluid Prediction with Lagrangian Dynamics [71.21948217845167]
本稿では, タングルサム流体力学に対処する新しいラグランジアン誘導パラダイムを提案する。
ユーレリア観測に基づいて未来を予測するのではなく、ユーレリア・ラグランジアンデュアルリカレントネットワーク(EuLagNet)を提案する。
EuLagNetは、適応サンプリングされたキー粒子の複数のスケールでの運動を追跡することで、マルチスケールの流体力学をキャプチャする。
論文 参考訳(メタデータ) (2024-02-04T09:45:35Z) - Inverse Dynamics Pretraining Learns Good Representations for Multitask
Imitation [66.86987509942607]
このようなパラダイムを模倣学習でどのように行うべきかを評価する。
本稿では,事前学習コーパスがマルチタスクのデモンストレーションから成り立つ環境について考察する。
逆動力学モデリングはこの設定に適していると主張する。
論文 参考訳(メタデータ) (2023-05-26T14:40:46Z) - MSTFormer: Motion Inspired Spatial-temporal Transformer with
Dynamic-aware Attention for long-term Vessel Trajectory Prediction [0.6451914896767135]
MSTFormer は Transformer に基づく動きインスパイアされた容器軌道予測手法である。
軌道の空間的特徴と運動特徴を記述するためのデータ拡張手法を提案する。
第2に,頻繁な動き変換を伴う軌道点に着目したマルチヘッド動的自己認識機構を提案する。
第三に、モデルの性能をさらに向上させるために、知識にインスパイアされた損失関数を構築する。
論文 参考訳(メタデータ) (2023-03-21T02:11:37Z) - GotFlow3D: Recurrent Graph Optimal Transport for Learning 3D Flow Motion
in Particle Tracking [11.579751282152841]
粒子追跡速度計(PTV)のような流れの可視化技術は、自然と産業のプロセスから発生する3次元乱流の全広さを理解するために広く用いられている。
3D取得技術の進歩にもかかわらず、粒子追跡における動き推定アルゴリズムは、大きな粒子変位、高密度粒子分布、高い計算コストにおいて大きな課題である。
グラフ最適輸送に基づく新しいディープニューラルネットワークを導入することにより、両フレーム粒子集合から3次元流体の流れを学習するためのエンドツーエンドのソリューションを提案する。
論文 参考訳(メタデータ) (2022-10-31T02:05:58Z) - 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) - Physics-informed Reinforcement Learning for Perception and Reasoning
about Fluids [0.0]
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。
論文 参考訳(メタデータ) (2022-03-11T07:01:23Z) - 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) - Dynamic Visual Reasoning by Learning Differentiable Physics Models from
Video and Language [92.7638697243969]
視覚概念を協調的に学習し,映像や言語から物体の物理モデルを推定する統合フレームワークを提案する。
これは視覚認識モジュール、概念学習モジュール、微分可能な物理エンジンの3つのコンポーネントをシームレスに統合することで実現される。
論文 参考訳(メタデータ) (2021-10-28T17:59:13Z) - Dominant motion identification of multi-particle system using deep
learning from video [0.0]
本研究では,高度システムの実世界映像から関連情報を抽出するディープラーニングフレームワークを提案する。
本手法は,アリ,シロアリ,魚の閉じ込められた多エージェント/粒子系のビデオで実証する。
さらに,これらの多様なシステムがどのようにして基礎となる振る舞いを予測できるかを考察する。
論文 参考訳(メタデータ) (2021-04-26T17:10:56Z) - Focus of Attention Improves Information Transfer in Visual Features [80.22965663534556]
本稿では,真のオンライン環境下での視覚情報伝達のための教師なし学習に焦点を当てた。
エントロピー項の計算は、エントロピー項のオンライン推定を行う時間的プロセスによって行われる。
入力確率分布をよりよく構成するために,人間のような注目モデルを用いる。
論文 参考訳(メタデータ) (2020-06-16T15:07:25Z) - Neural Vortex Method: from Finite Lagrangian Particles to Infinite
Dimensional Eulerian Dynamics [16.563723810812807]
ニューラル渦法(Neural Vortex Method, NVM)を提案する。
NVMはラグランジアン渦構造とその相互作用力学をニューラルネットワークで記述する。
これら2つのネットワークを渦対速度ポアソン解法で埋め込むことで、正確な流体力学を予測できる。
論文 参考訳(メタデータ) (2020-06-07T15:12:25Z)
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。