論文の概要: Neural Autoencoder-Based Structure-Preserving Model Order Reduction and
Control Design for High-Dimensional Physical Systems
- arxiv url: http://arxiv.org/abs/2312.06256v1
- Date: Mon, 11 Dec 2023 09:52:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-12 16:20:56.336824
- Title: Neural Autoencoder-Based Structure-Preserving Model Order Reduction and
Control Design for High-Dimensional Physical Systems
- Title（参考訳）: ニューラルオートエンコーダを用いた高次元物理系の構造保存モデル次数削減と制御設計
- Authors: Marco Lepri, Davide Bacciu, Cosimo Della Santina
- Abstract要約: この研究は、高次元物理系の低次元近似の制御指向および構造保存学習に関するものである。
本稿では, 圧縮モデルの数学的構造を利用して, 過大な機械系の構成を調節するモデルベース制御手法を提案する。
- 参考スコア（独自算出の注目度）: 17.430588392066333
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work concerns control-oriented and structure-preserving learning of
low-dimensional approximations of high-dimensional physical systems, with a
focus on mechanical systems. We investigate the integration of neural
autoencoders in model order reduction, while at the same time preserving
Hamiltonian or Lagrangian structures. We focus on extensively evaluating the
considered methodology by performing simulation and control experiments on
large mass-spring-damper networks, with hundreds of states. The empirical
findings reveal that compressed latent dynamics with less than 5 degrees of
freedom can accurately reconstruct the original systems' transient and
steady-state behavior with a relative total error of around 4\%, while
simultaneously accurately reconstructing the total energy. Leveraging this
system compression technique, we introduce a model-based controller that
exploits the mathematical structure of the compressed model to regulate the
configuration of heavily underactuated mechanical systems.
- Abstract（参考訳）: 本研究は,高次元物理系の低次元近似の制御指向および構造保存学習を,機械システムに焦点をあてるものである。
モデルオーダ削減におけるニューラルオートエンコーダの統合について検討すると同時に,ハミルトニアン構造やラグランジアン構造も保存する。
我々は,何百もの状態を有する大規模バネダンパーネットワーク上でシミュレーションおよび制御実験を行うことで,検討手法を広範囲に評価することに焦点を当てた。
実験により, 5自由度未満の圧縮潜在力学は, 相対誤差約4倍の時間的, 定常状態の挙動を正確に再現し, 同時に総エネルギーを正確に再構成できることがわかった。
このシステム圧縮技術を利用して, 圧縮モデルの数学的構造を利用して, 過度に動作しない機械システムの構成を制御できるモデルベース制御器を提案する。
関連論文リスト
- Symplectic Autoencoders for Model Reduction of Hamiltonian Systems [0.0]
長期の数値安定性を確保するためには,システムに関連するシンプレクティックな構造を維持することが重要である。
本稿では,次元削減のための確立されたツールであるオートエンコーダの精神の中で,新しいニューラルネットワークアーキテクチャを提案する。
ネットワークのトレーニングには,非標準勾配降下法を適用した。
論文 参考訳（メタデータ） (2023-12-15T18:20:25Z) - From NeurODEs to AutoencODEs: a mean-field control framework for
width-varying Neural Networks [68.8204255655161]
本稿では,動的に駆動する制御フィールドをベースとした,AutoencODEと呼ばれる新しいタイプの連続時間制御システムを提案する。
損失関数が局所凸な領域では,多くのアーキテクチャが復元可能であることを示す。
論文 参考訳（メタデータ） (2023-07-05T13:26:17Z) - 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) - 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) - End-to-End Learning of Hybrid Inverse Dynamics Models for Precise and
Compliant Impedance Control [16.88250694156719]
剛体力学モデルの物理的に一貫した慣性パラメータを同定できる新しいハイブリッドモデルの定式化を提案する。
7自由度マニピュレータ上での最先端の逆動力学モデルに対する我々のアプローチを比較した。
論文 参考訳（メタデータ） (2022-05-27T07:39:28Z) - Real-time Neural-MPC: Deep Learning Model Predictive Control for
Quadrotors and Agile Robotic Platforms [59.03426963238452]
モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。
ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
論文 参考訳（メタデータ） (2022-03-15T09:38:15Z) - Constructing Neural Network-Based Models for Simulating Dynamical
Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。
本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。
基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文 参考訳（メタデータ） (2021-11-02T10:51:42Z) - 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) - Sparsity in Partially Controllable Linear Systems [56.142264865866636]
本研究では, 部分制御可能な線形力学系について, 基礎となる空間パターンを用いて検討する。
最適制御には無関係な状態変数を特徴付ける。
論文 参考訳（メタデータ） (2021-10-12T16:41:47Z) - Constrained Block Nonlinear Neural Dynamical Models [1.3163098563588727]
既知の優先度によって調整されたニューラルネットワークモジュールは、非線形ダイナミクスを持つシステムを表現するために効果的に訓練および結合することができる。
提案手法は,入力,状態,出力のダイナミクスを表現するニューラルネットワークブロックで構成され,ネットワーク重みとシステム変数に制約を課す。
3つの非線形システムのシステム識別タスクにおける提案アーキテクチャと学習手法の性能評価を行った。
論文 参考訳（メタデータ） (2021-01-06T04:27:54Z) - Prediction with Approximated Gaussian Process Dynamical Models [7.678864239473703]
我々はマルコフであるGPDMを近似し、その制御理論的性質を解析する。
結果は、近似モデルのパワーを示す数値的な例で示される。
論文 参考訳（メタデータ） (2020-06-25T16:51:17Z)
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。