論文の概要: PITA: Physics-Informed Trajectory Autoencoder

• arxiv url: http://arxiv.org/abs/2403.11728v1
• Date: Mon, 18 Mar 2024 12:37:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-20 20:39:33.658895
• Title: PITA: Physics-Informed Trajectory Autoencoder
• Title（参考訳）: PITA:物理式軌道オートエンコーダ
• Authors: Johannes Fischer, Kevin Rösch, Martin Lauer, Christoph Stiller,
• Abstract要約: 生成モデルは、エッジケースシナリオを生成するために、生成されたデータで現実世界のデータセットを拡張するために使用することができる。 本稿では,物理力学モデルをオートエンコーダの損失関数に組み込んだ物理インフォームド・トラジェクトリ・オートエンコーダ(PITA)アーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 7.394156899576076
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Validating robotic systems in safety-critical appli-cations requires testing in many scenarios including rare edgecases that are unlikely to occur, requiring to complement real-world testing with testing in simulation. Generative models canbe used to augment real-world datasets with generated data toproduce edge case scenarios by sampling in a learned latentspace. Autoencoders can learn said latent representation for aspecific domain by learning to reconstruct the input data froma lower-dimensional intermediate representation. However, theresulting trajectories are not necessarily physically plausible, butinstead typically contain noise that is not present in the inputtrajectory. To resolve this issue, we propose the novel Physics-Informed Trajectory Autoencoder (PITA) architecture, whichincorporates a physical dynamics model into the loss functionof the autoencoder. This results in smooth trajectories that notonly reconstruct the input trajectory but also adhere to thephysical model. We evaluate PITA on a real-world dataset ofvehicle trajectories and compare its performance to a normalautoencoder and a state-of-the-art action-space autoencoder.
• Abstract（参考訳）: 安全クリティカルなアプリケーションにおけるロボットシステムの検証には、起こりそうもない稀なエッジケースを含む多くのシナリオでのテストが必要であり、シミュレーションでのテストで現実世界のテストを補完する必要がある。 生成モデルは、学習したラテントスペースでサンプリングすることで、エッジケースシナリオを生成するために生成されたデータで現実世界のデータセットを拡張するために使用することができる。 オートエンコーダは、低次元の中間表現から入力データを再構成することを学ぶことで、特定の領域の潜在表現を学習することができる。 しかし、そのような軌道は必ずしも物理的に可算であるとは限らないが、通常は入力軌道に存在しないノイズを含んでいる。 そこで本研究では,物理力学モデルをオートエンコーダの損失関数に組み込んだ新しい物理インフォームド・トラジェクトリ・オートエンコーダ(PITA)アーキテクチャを提案する。 この結果、入力軌跡を再構成するだけでなく、物理モデルにも従属する滑らかな軌跡が得られる。 車両軌道の実際のデータセット上でPITAを評価し、その性能を通常のオートエンコーダと最先端のアクション空間オートエンコーダと比較する。

関連論文リスト

• JRDB-Traj: A Dataset and Benchmark for Trajectory Forecasting in Crowds [79.00975648564483]
  ロボット工学、自動運転車、ナビゲーションなどの分野で使用される軌道予測モデルは、現実のシナリオにおいて課題に直面している。 このデータセットは、ロボットの観点から、すべてのエージェント、シーンイメージ、ポイントクラウドの位置を含む包括的なデータを提供する。 本研究の目的は,ロボットに対するエージェントの将来の位置を,生の感覚入力データを用いて予測することである。
  論文  参考訳（メタデータ） (2023-11-05T18:59:31Z)
• Are We Using Autoencoders in a Wrong Way? [3.110260251019273]
  オートエンコーダは次元減少、異常検出、特徴抽出に使用される。 潜在空間の形状を変更する不完全なオートエンコーダの標準トレーニングを再考した。 また,データセット全体からランダムサンプルを再構成する場合の潜伏空間の挙動についても検討した。
  論文  参考訳（メタデータ） (2023-09-04T11:22:43Z)
• Variational Autoencoding Neural Operators [17.812064311297117]
  関数型データによる教師なし学習は、コンピュータビジョン、気候モデリング、物理システムへの応用を含む機械学習研究の新たなパラダイムである。 本稿では,大規模な演算子学習アーキテクチャを変分オートエンコーダとして機能させる汎用戦略として,変分オートエンコードニューラル演算子(VANO)を提案する。
  論文  参考訳（メタデータ） (2023-02-20T22:34:43Z)
• 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)
• Quasi-Balanced Self-Training on Noise-Aware Synthesis of Object Point Clouds for Closing Domain Gap [34.590531549797355]
  本稿では,CADモデルへのスペックルパターンの投影によるステレオ画像のレンダリングにより,オブジェクト・ポイント・クラウドを物理的にリアルに合成する統合スキームを提案する。 実験により,本手法の有効性,および各モジュールが点クラウド分類における教師なし領域適応に有効であることを検証できる。
  論文  参考訳（メタデータ） (2022-03-08T03:44:49Z)
• Towards Optimal Strategies for Training Self-Driving Perception Models in Simulation [98.51313127382937]
  合成ドメインのみにおけるラベルの使用に焦点を当てる。 提案手法では,ニューラル不変表現の学習方法と,シミュレータからデータをサンプリングする方法に関する理論的にインスピレーションを得た視点を導入する。 マルチセンサーデータを用いた鳥眼視車両分割作業におけるアプローチについて紹介する。
  論文  参考訳（メタデータ） (2021-11-15T18:37:43Z)
• Deep Convolutional Autoencoders as Generic Feature Extractors in Seismological Applications [0.0]
  地震学的な異なる用途のために,オートエンコーダを特徴抽出器として用いるという考え方を評価するためのテストを開発した。 これらのテストでは、大量の地震波形に基づいて、未完成または未完成のオートエンコーダを訓練する。 オートエンコーダの特徴抽出手法は,特定の条件下でのみ良好に機能する可能性がある。
  論文  参考訳（メタデータ） (2021-10-22T14:22:07Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好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） (2021-09-08T14:07:55Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Autoencoding Variational Autoencoder [56.05008520271406]
  我々は,この行動が学習表現に与える影響と,自己整合性の概念を導入することでそれを修正する結果について検討する。 自己整合性アプローチで訓練されたエンコーダは、敵攻撃による入力の摂動に対して頑健な(無神経な)表現につながることを示す。
  論文  参考訳（メタデータ） (2020-12-07T14:16:14Z)
• Semi-supervised Grasp Detection by Representation Learning in a Vector Quantized Latent Space [1.3048920509133808]
  本稿では,半教師付き学習に基づく把握検出手法を提案する。 我々の知る限りでは、変分オートエンコーダ(VAE)がロボットグリップ検出の分野に応用されたのはこれが初めてである。 このモデルでは、未ラベル画像を使用しない既存の手法に比べて、グリップを改善するために大幅に性能が向上する。
  論文  参考訳（メタデータ） (2020-01-23T12:47:13Z)

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。