論文の概要: Input-to-State Stable Coupled Oscillator Networks for Closed-form Model-based Control in Latent Space
- arxiv url: http://arxiv.org/abs/2409.08439v1
- Date: Fri, 13 Sep 2024 00:11:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-16 18:17:42.944369
- Title: Input-to-State Stable Coupled Oscillator Networks for Closed-form Model-based Control in Latent Space
- Title(参考訳): 潜時空間における閉形式モデルベース制御のための入力-状態安定結合型オシレータネットワーク
- Authors: Maximilian Stölzle, Cosimo Della Santina,
- Abstract要約: 物理的システムの潜在空間制御は、依然としてオープンな課題である。
我々は、学習力学と組み合わせて制御理論の文献から、強力でよく理解された閉形式戦略を利用する。
結合ネットワーク(CON)モデルがこれらすべての問題に同時に取り組むことを示す。
- 参考スコア(独自算出の注目度): 2.527926867319859
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Even though a variety of methods (e.g., RL, MPC, LQR) have been proposed in the literature, efficient and effective latent-space control of physical systems remains an open challenge. A promising avenue would be to leverage powerful and well-understood closed-form strategies from control theory literature in combination with learned dynamics, such as potential-energy shaping. We identify three fundamental shortcomings in existing latent-space models that have so far prevented this powerful combination: (i) they lack the mathematical structure of a physical system, (ii) they do not inherently conserve the stability properties of the real systems. Furthermore, (iii) these methods do not have an invertible mapping between input and latent-space forcing. This work proposes a novel Coupled Oscillator Network (CON) model that simultaneously tackles all these issues. More specifically, (i) we show analytically that CON is a Lagrangian system - i.e., it presses well-defined potential and kinetic energy terms. Then, (ii) we provide formal proof of global Input-to-State stability using Lyapunov arguments. Moving to the experimental side, (iii) we demonstrate that CON reaches SoA performance when learning complex nonlinear dynamics of mechanical systems directly from images. An additional methodological innovation contributing to achieving this third goal is an approximated closed-form solution for efficient integration of network dynamics, which eases efficient training. We tackle (iv) by approximating the forcing-to-input mapping with a decoder that is trained to reconstruct the input based on the encoded latent space force. Finally, we leverage these four properties and show that they enable latent-space control. We use an integral-saturated PID with potential force compensation and demonstrate high-quality performance on a soft robot using raw pixels as the only feedback information.
- Abstract(参考訳): 文学において様々な方法(例えば、RL、MPC、LQR)が提案されているが、物理系の効率的かつ効果的な潜在空間制御は、依然としてオープンな課題である。
有望な道は、制御理論の文献から、ポテンシャルエネルギー整形のような学習力学と組み合わせて、強力でよく理解された閉形式戦略を活用することである。
既存の潜在空間モデルにおいて、この強力な組み合わせを阻止した3つの根本的な欠点を特定します。
(i)物理系の数学的構造を欠いている。
(ii)それらは本質的に実システムの安定性特性を保存するものではない。
さらに
(iii)これらの手法は入力と潜時空間の強制の間の可逆写像を持たない。
本研究は,これらすべての問題に同時に対処する,結合オシレータネットワーク(CON)モデルを提案する。
より具体的には
i) 解析的に、CON はラグランジアン系である、すなわち、明確に定義されたポテンシャルと運動エネルギーの項をプレスすることを示す。
そして
(2)リャプノフの議論を用いた大域的入力状態安定性の形式的証明を提供する。
実験室に移る。
3) 画像から直接機械系の複雑な非線形ダイナミクスを学習する際に, CONがSoA性能に達することを示す。
この第3の目標達成に寄与する新たな方法論的革新は、ネットワークダイナミクスの効率的な統合のための、近似されたクローズドフォームソリューションである。
私たちは取り組んだ
(iv) 符号化された潜時空間力に基づいて入力を再構成するよう訓練されたデコーダを用いて強制入力マッピングを近似することにより。
最後に、これらの4つの特性を活用し、潜在空間制御を可能にすることを示す。
そこで本研究では,原画素をフィードバック情報として用いたソフトロボットにおいて,電位補償を備えた積分飽和PIDを用い,高品質な性能を示す。
関連論文リスト
- Stable Modular Control via Contraction Theory for Reinforcement Learning [8.742125999252366]
本稿では,制御技術と強化学習(RL)を融合して,安定性,堅牢性,一般化を実現する新しい手法を提案する。
我々は信号合成と動的分解によりそのようなモジュラリティを実現する。
論文 参考訳(メタデータ) (2023-11-07T02:41:02Z) - Inferring Relational Potentials in Interacting Systems [56.498417950856904]
このような相互作用を発見する代替手法として、ニューラル・インタラクション・推論(NIIP)を提案する。
NIIPは観測された関係制約を尊重する軌道のサブセットに低エネルギーを割り当てる。
別々に訓練されたモデル間での相互作用の型を交換するなどの軌道操作や、軌道予測を可能にする。
論文 参考訳(メタデータ) (2023-10-23T00:44:17Z) - D4FT: A Deep Learning Approach to Kohn-Sham Density Functional Theory [79.50644650795012]
コーンシャム密度汎関数論(KS-DFT)を解くための深層学習手法を提案する。
このような手法はSCF法と同じ表現性を持つが,計算複雑性は低下する。
さらに,本手法により,より複雑なニューラルベース波動関数の探索が可能となった。
論文 参考訳(メタデータ) (2023-03-01T10:38:10Z) - ConCerNet: A Contrastive Learning Based Framework for Automated
Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。
本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
論文 参考訳(メタデータ) (2023-02-11T21:07:30Z) - Gradient-Enhanced Physics-Informed Neural Networks for Power Systems
Operational Support [36.96271320953622]
本稿では,電力系統の動的挙動をリアルタイムに近似する機械学習手法を提案する。
提案するフレームワークは、勾配強化された物理インフォームドニューラルネットワーク(gPINN)に基づいて、電力システムを管理する基礎となる物理法則を符号化する。
論文 参考訳(メタデータ) (2022-06-21T17:56:55Z) - 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) - Decimation technique for open quantum systems: a case study with
driven-dissipative bosonic chains [62.997667081978825]
量子系の外部自由度への不可避結合は、散逸(非単体)ダイナミクスをもたらす。
本稿では,グリーン関数の(散逸的な)格子計算に基づいて,これらのシステムに対処する手法を提案する。
本手法のパワーを,複雑性を増大させる駆動散逸型ボゾン鎖のいくつかの例で説明する。
論文 参考訳(メタデータ) (2022-02-15T19:00:09Z) - Message Passing Neural PDE Solvers [60.77761603258397]
我々は、バックプロップ最適化されたニューラル関数近似器で、グラフのアリーデザインのコンポーネントを置き換えるニューラルメッセージパッシング解決器を構築した。
本稿では, 有限差分, 有限体積, WENOスキームなどの古典的手法を表現的に含んでいることを示す。
本研究では, 異なる領域のトポロジ, 方程式パラメータ, 離散化などにおける高速, 安定, 高精度な性能を, 1次元, 2次元で検証する。
論文 参考訳(メタデータ) (2022-02-07T17:47:46Z) - A Multisite Decomposition of the Tensor Network Path Integrals [0.0]
我々は、テンソルネットワークパス積分(TNPI)フレームワークを拡張し、局所的な散逸環境を持つ量子システムを効率的にシミュレートする。
MS-TNPI法は溶媒と結合した様々な拡張量子系の研究に有用である。
論文 参考訳(メタデータ) (2021-09-20T17:55:53Z) - Hamiltonian-based Neural ODE Networks on the SE(3) Manifold For Dynamics
Learning and Control [15.26733033527393]
我々は、状態制御トラジェクトリのトレーニングセット上で、ロボットのダイナミクスを近似するために機械学習技術を使用する。
我々は、学習された、潜在的に不安定なSE(3)ハミルトン動力学のためのエネルギー整形および減衰注入制御を開発する。
論文 参考訳(メタデータ) (2021-06-24T06:13:20Z) - Forced Variational Integrator Networks for Prediction and Control of
Mechanical Systems [7.538482310185133]
強制的変動積分器ネットワーク(FVIN)アーキテクチャにより,エネルギー散逸と外部強制を正確に考慮できることを示す。
これにより、高データ効率のモデルベース制御が可能となり、実際の非保守的なシステムで予測できる。
論文 参考訳(メタデータ) (2021-06-05T21:39:09Z)
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。