Fugu-MT 論文翻訳(概要): A Black-Box Physics-Informed Estimator based on Gaussian Process Regression for Robot Inverse Dynamics Identification

論文の概要: A Black-Box Physics-Informed Estimator based on Gaussian Process Regression for Robot Inverse Dynamics Identification

arxiv url: http://arxiv.org/abs/2310.06585v1
Date: Tue, 10 Oct 2023 12:52:42 GMT
ステータス: 処理完了
システム内更新日: 2023-10-11 15:25:55.961715
Title: A Black-Box Physics-Informed Estimator based on Gaussian Process Regression for Robot Inverse Dynamics Identification
Title（参考訳）: ロボット逆ダイナミクス同定のためのガウス過程回帰に基づくブラックボックス物理インフォームド推定器
Authors: Giulio Giacomuzzo, Alberto Dalla Libera, Diego Romeres, Ruggero Carli
Abstract要約: 提案したモデルは、textitLagrangian Inspired Polynomial ( KernelInitials)カーネルと呼ばれる新しい多次元カーネルに依存している。 7 DOFのフランカ・エミカ・パンダ(Franka Emika Panda)と6 DOFのMELFA RV4FL(MELFA RV4FL)という2つのロボットマニピュレータのシミュレーション結果から、提案モデルが最先端のブラックボックス推定器より優れていることが示された。
参考スコア（独自算出の注目度）: 9.224433911967477
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In this paper, we propose a black-box model based on Gaussian process regression for the identification of the inverse dynamics of robotic manipulators. The proposed model relies on a novel multidimensional kernel, called \textit{Lagrangian Inspired Polynomial} (\kernelInitials{}) kernel. The \kernelInitials{} kernel is based on two main ideas. First, instead of directly modeling the inverse dynamics components, we model as GPs the kinetic and potential energy of the system. The GP prior on the inverse dynamics components is derived from those on the energies by applying the properties of GPs under linear operators. Second, as regards the energy prior definition, we prove a polynomial structure of the kinetic and potential energy, and we derive a polynomial kernel that encodes this property. As a consequence, the proposed model allows also to estimate the kinetic and potential energy without requiring any label on these quantities. Results on simulation and on two real robotic manipulators, namely a 7 DOF Franka Emika Panda and a 6 DOF MELFA RV4FL, show that the proposed model outperforms state-of-the-art black-box estimators based both on Gaussian Processes and Neural Networks in terms of accuracy, generality and data efficiency. The experiments on the MELFA robot also demonstrate that our approach achieves performance comparable to fine-tuned model-based estimators, despite requiring less prior information.
Abstract（参考訳）: 本稿では,ロボットマニピュレータの逆ダイナミクスの同定のためのガウス過程回帰に基づくブラックボックスモデルを提案する。提案したモデルは、新しい多次元カーネルである \textit{Lagrangian Inspired Polynomial} (\kernelInitials{}) に依存する。 \kernelInitials{}カーネルは2つの主要なアイデアに基づいている。まず、逆ダイナミクスコンポーネントを直接モデル化するのではなく、システムの速度とポテンシャルエネルギーをgpsとしてモデル化します。逆動力学成分に先立つGPは、線形作用素の下でのGPの性質を適用することでエネルギー上の成分から導かれる。第二に、エネルギーの事前定義に関して、運動量およびポテンシャルエネルギーの多項式構造を証明し、この性質を符号化する多項式核を導出する。その結果,提案モデルでは,これらの量にラベルを付けることなく,運動量とポテンシャルエネルギーを推定できる。 7 DOFのフランカ・エミカ・パンダと6 DOFのMELFA RV4FLという2つの実際のロボットマニピュレータのシミュレーション結果から、提案モデルはガウス過程とニューラルネットワークの両方に基づく最先端のブラックボックス推定器よりも精度、一般性、データ効率において優れていることが示された。また,MELFAロボットを用いた実験により,事前情報が少ないにもかかわらず,精度の高いモデルベース推定器に匹敵する性能が得られた。

関連論文リスト

Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
論文参考訳（メタデータ） (2024-09-05T18:14:22Z)
Neutron-nucleus dynamics simulations for quantum computers [49.369935809497214]
一般ポテンシャルを持つ中性子核シミュレーションのための新しい量子アルゴリズムを開発した。耐雑音性トレーニング法により、ノイズの存在下でも許容される境界状態エネルギーを提供する。距離群可換性(DGC)と呼ばれる新しい可換性スキームを導入し、その性能をよく知られたqubit-commutativityスキームと比較する。
論文参考訳（メタデータ） (2024-02-22T16:33:48Z)
Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文参考訳（メタデータ） (2023-04-08T07:55:36Z)
On the Integration of Physics-Based Machine Learning with Hierarchical Bayesian Modeling Techniques [0.0]
本稿では,ガウス過程(GP)モデルの平均関数にメカニクスに基づくモデルを組み込み,カーネルマシンによる潜在的な不一致を特徴付けることを提案する。カーネル関数の定常性は、階層的ベイズ手法によって解決された長いデータセットの逐次処理において難しいハードルである。数値および実験例を用いて, 構造力学逆問題に対する提案手法の可能性を示した。
論文参考訳（メタデータ） (2023-03-01T02:29:41Z)
Statistical and machine learning approaches for prediction of long-time excitation energy transfer dynamics [0.0]
ここでの目的は、SARIMA、CatBoost、Prophet、畳み込み、反復ニューラルネットワークのようなモデルがこの要件を回避できるかどうかを示すことである。以上の結果から,SARIMAモデルが長期力学の予測を行うための計算コストが安価かつ正確な方法として機能することが示唆された。
論文参考訳（メタデータ） (2022-10-25T16:50:26Z)
Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。ニューラル微分方程式モデルに基づく新しい手法を提案する。我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
論文参考訳（メタデータ） (2022-07-21T12:11:18Z)
Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文参考訳（メタデータ） (2021-11-15T09:08:27Z)
Grey-box models for wave loading prediction [0.0]
本稿では, 構造部材に作用する力の予測を改善するため, グレーボックスモデリング手法を開発した。グレーボックスモデルは、システムの振る舞いに関する物理的な洞察を維持しながら、データベースのモデリングの強化された予測能力を活用することを目的としている。
論文参考訳（メタデータ） (2021-05-10T15:10:33Z)
A Differentiable Newton Euler Algorithm for Multi-body Model Learning [34.558299591341]
我々はニュートン・オイラー方程式を具現化した計算グラフアーキテクチャを動機付けている。本稿では、制約のない物理的プラウジブルダイナミクスを実現するために使用される仮想パラメータについて述べる。従来のホワイトボックスシステム同定手法で要求されるキネマティックパラメータは,データから正確に推定可能であることを示す。
論文参考訳（メタデータ） (2020-10-19T19:30:33Z)
Method of spectral Green functions in driven open quantum dynamics [77.34726150561087]
オープン量子力学のシミュレーションのために,スペクトルグリーン関数に基づく新しい手法を提案する。この形式主義は、場の量子論におけるグリーン関数の使用と顕著な類似性を示している。本手法は,完全マスター方程式の解法に基づくシミュレーションと比較して計算コストを劇的に削減する。
論文参考訳（メタデータ） (2020-06-04T09:41:08Z)
Model-Based Reinforcement Learning for Physical Systems Without Velocity and Acceleration Measurements [19.060544153434428]
ガウス過程回帰(GPR)に基づく強化学習(RL)アルゴリズムのための微分自由モデル学習フレームワークを提案する。多くのメカニカルシステムでは、計測器によって位置のみを測定することができる。 2つの実プラットフォームで実施されたテストでは,提案モデルと組み合わせた状態定義により,推定性能が向上することが示された。
論文参考訳（メタデータ） (2020-02-25T01:58:34Z)

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。