論文の概要: Grounding Graph Network Simulators using Physical Sensor Observations
- arxiv url: http://arxiv.org/abs/2302.11864v1
- Date: Thu, 23 Feb 2023 09:06:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-24 15:52:25.786020
- Title: Grounding Graph Network Simulators using Physical Sensor Observations
- Title（参考訳）: 物理センサ観測を用いた接地グラフネットワークシミュレータ
- Authors: Jonas Linkerh\"agner, Niklas Freymuth, Paul Maria Scheikl, Franziska
Mathis-Ullrich, Gerhard Neumann
- Abstract要約: 実世界観測において,センサ情報を地上グラフネットワークシミュレータに統合する。
点クラウドデータを用いて変形可能なオブジェクトのメッシュ状態を予測する。
- 参考スコア（独自算出の注目度）: 12.017054986629846
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Physical simulations that accurately model reality are crucial for many
engineering disciplines such as mechanical engineering and robotic motion
planning. In recent years, learned Graph Network Simulators produced accurate
mesh-based simulations while requiring only a fraction of the computational
cost of traditional simulators. Yet, the resulting predictors are confined to
learning from data generated by existing mesh-based simulators and thus cannot
include real world sensory information such as point cloud data. As these
predictors have to simulate complex physical systems from only an initial
state, they exhibit a high error accumulation for long-term predictions. In
this work, we integrate sensory information to ground Graph Network Simulators
on real world observations. In particular, we predict the mesh state of
deformable objects by utilizing point cloud data. The resulting model allows
for accurate predictions over longer time horizons, even under uncertainties in
the simulation, such as unknown material properties. Since point clouds are
usually not available for every time step, especially in online settings, we
employ an imputation-based model. The model can make use of such additional
information only when provided, and resorts to a standard Graph Network
Simulator, otherwise. We experimentally validate our approach on a suite of
prediction tasks for mesh-based interactions between soft and rigid bodies. Our
method results in utilization of additional point cloud information to
accurately predict stable simulations where existing Graph Network Simulators
fail.
- Abstract（参考訳）: 現実を正確にモデル化する物理シミュレーションは、機械工学やロボット運動計画といった多くの工学分野において重要である。
近年、学習グラフネットワークシミュレータは、従来のシミュレータの計算コストのほんの一部しか必要とせず、正確なメッシュベースのシミュレーションを作成した。
しかし、結果として得られる予測器は、既存のメッシュベースのシミュレータが生成したデータから学習に限定されるため、ポイントクラウドデータのような現実世界の感覚情報を含めることはできない。
これらの予測器は、初期状態からのみ複雑な物理系をシミュレートする必要があるため、長期予測のための高い誤差蓄積を示す。
本研究では,実世界の観測データに対して,地上グラフネットワークシミュレータに感覚情報を統合する。
特に,ポイントクラウドデータを利用して変形可能なオブジェクトのメッシュ状態を予測する。
結果として得られたモデルは、未知の物質特性のようなシミュレーションにおける不確実性の下でも、長い時間的地平線上で正確な予測を可能にする。
ポイントクラウドは通常、各ステップ、特にオンライン設定では利用できないので、インプテーションベースのモデルを採用しています。
このモデルは提供時にのみ追加情報を利用することができ、標準のグラフネットワークシミュレータを利用する。
我々は,軟体と剛体間のメッシュベースの相互作用を予測する一連のタスクに対して,我々のアプローチを実験的に検証した。
本手法は,既存のグラフネットワークシミュレータが故障した場合の安定シミュレーションを正確に予測するために,追加のポイントクラウド情報を利用する。
関連論文リスト
- Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。
我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。
高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
論文 参考訳（メタデータ） (2024-03-25T11:29:32Z) - Sim2Real for Environmental Neural Processes [20.850715955359593]
我々は「Sim2Real」の分析を行い、再分析と観測データの微調整を事前学習する。
Sim2Realは、天気予報や気象モニタリングのためのより正確なモデルを可能にする。
論文 参考訳（メタデータ） (2023-10-30T18:49:06Z) - Quantifying the LiDAR Sim-to-Real Domain Shift: A Detailed Investigation
Using Object Detectors and Analyzing Point Clouds at Target-Level [1.1999555634662635]
自律運転のためのニューラルネットワークに基づくLiDARオブジェクト検出アルゴリズムは、トレーニング、検証、テストのために大量のデータを必要とする。
ニューラルネットワークのトレーニングにシミュレーションデータを使用することで、シーン、シナリオ、分布の違いによるトレーニングデータとテストデータのドメインシフトが生じることを示す。
論文 参考訳（メタデータ） (2023-03-03T12:52:01Z) - Continual learning autoencoder training for a particle-in-cell
simulation via streaming [52.77024349608834]
今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します
これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。
この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
論文 参考訳（メタデータ） (2022-11-09T09:55:14Z) - PCGen: Point Cloud Generator for LiDAR Simulation [10.692184635629792]
既存の方法は、実点雲よりもノイズが多く、完全なデータを生成する。
我々はFPAレイキャストと代理モデルレイドロップを提案する。
最小限のトレーニングデータによって、代理モデルは異なる地理やシーンに一般化することができる。
その結果、シミュレーションデータにより訓練されたオブジェクト検出モデルは、実際のデータトレーニングモデルと同じような結果が得られることがわかった。
論文 参考訳（メタデータ） (2022-10-17T04:13:21Z) - Real-to-Sim: Predicting Residual Errors of Robotic Systems with Sparse
Data using a Learning-based Unscented Kalman Filter [65.93205328894608]
我々は,動的・シミュレータモデルと実ロボット間の残差を学習する。
学習した残差誤差により、動的モデル、シミュレーション、および実際のハードウェア間の現実的ギャップをさらに埋めることができることを示す。
論文 参考訳（メタデータ） (2022-09-07T15:15:12Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳（メタデータ） (2022-06-15T17:29:57Z) - Constraint-based graph network simulator [9.462808515258464]
制約に基づく学習シミュレーションのためのフレームワークを提案する。
本稿では,制約関数としてグラフニューラルネットワークを用い,勾配降下を制約解として実装する。
我々のモデルは、トップラーニングシミュレータよりも優れた、あるいは同等のパフォーマンスを達成します。
論文 参考訳（メタデータ） (2021-12-16T19:15:11Z) - Training robust anomaly detection using ML-Enhanced simulations [1.370633147306388]
シミュレーションは、実世界のデータではスパースまたは非存在の可能性のある異常検出のためのエッジ条件を提供することができる。
我々の手法は、実世界のデータに基づいてトレーニングされたニューラルネットワークを用いてシミュレーションを強化し、従来のシミュレーションよりもリアルで可変な出力を生成する。
論文 参考訳（メタデータ） (2020-08-27T12:28:07Z) - Testing the Safety of Self-driving Vehicles by Simulating Perception and
Prediction [88.0416857308144]
センサシミュレーションは高価であり,領域ギャップが大きいため,センサシミュレーションに代わる方法を提案する。
我々は、自動運転車の知覚と予測システムの出力を直接シミュレートし、現実的な動き計画テストを可能にする。
論文 参考訳（メタデータ） (2020-08-13T17:20:02Z) - Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。
グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。
我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文 参考訳（メタデータ） (2020-02-21T16:44:28Z)
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。