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/2409.08439v2
- Date: Sun, 13 Oct 2024 22:04:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-07 21:20:36.252077
- 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: 我々は、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活用することが有望な道であると論じる。
既存の潜在空間モデルにおける3つの根本的な欠点は、これまでこの強力な組み合わせを妨げてきた。
これらすべての問題に同時に取り組む新しい結合ネットワーク(CON)モデルを提案する。
- 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 have been proposed in the literature, efficient and effective latent-space control (i.e., control in a learned low-dimensional space) of physical systems remains an open challenge. We argue that a promising avenue is 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, (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 possesses 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, 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 (iii) 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 show how these properties 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(すなわち学習された低次元空間における制御)は未解決の課題である。
有望な道は、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ることで、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活用することであると論じる。
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。
(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、すなわち、よく定義されたポテンシャルと運動エネルギーの項を持つことを示す。
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。
実験面では、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実証する。
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
(iii) 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,これらの特性が潜在空間制御を実現する方法を示す。
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
- Inferring stability properties of chaotic systems on autoencoders' latent spaces [4.266376725904727]
カオスシステムと乱流では、畳み込みオートエンコーダとエコー状態ネットワーク(CAE-ESN)がダイナミクスの予測に成功した。
CAE-ESNモデルは、低次元多様体における空間ベクトルの不変安定性と幾何学を推論することを示した。
この研究は、潜在空間における高次元カオスシステムの安定性を推測する新たな機会を開く。
論文 参考訳（メタデータ） (2024-10-23T16:25:36Z) - Stability analysis of chaotic systems in latent spaces [4.266376725904727]
潜在空間アプローチはカオス偏微分方程式の解を推測できることを示す。
また、物理系の安定性を予測できる。
論文 参考訳（メタデータ） (2024-10-01T08:09:14Z) - Learning Deep Dissipative Dynamics [5.862431328401459]
分散性は、安定性と入出力安定性を一般化する力学系にとって重要な指標である。
本稿では,ニューラルネットワークで表現される任意のダイナミクスを散逸型プロジェクションに変換する微分可能プロジェクションを提案する。
本手法は, 訓練された力学系の安定性, 入力出力安定性, エネルギー保存を厳密に保証する。
論文 参考訳（メタデータ） (2024-08-21T09:44:43Z) - 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) - 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) - On Robust Numerical Solver for ODE via Self-Attention Mechanism [82.95493796476767]
我々は,内在性雑音障害を緩和し,AIによって強化された数値解法を,データサイズを小さくする訓練について検討する。
まず,教師付き学習における雑音を制御するための自己認識機構の能力を解析し,さらに微分方程式の数値解に付加的な自己認識機構を導入し,簡便かつ有効な数値解法であるAttrを提案する。
論文 参考訳（メタデータ） (2023-02-05T01:39:21Z) - 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) - 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) - gradSim: Differentiable simulation for system identification and
visuomotor control [66.37288629125996]
本稿では,微分可能マルチフィジカルシミュレーションと微分可能レンダリングを活用し,3次元監督への依存を克服するフレームワークであるgradsimを提案する。
当社の統合グラフは、状態ベースの(3D)監督に頼ることなく、挑戦的なバイスモメータ制御タスクで学習を可能にします。
論文 参考訳（メタデータ） (2021-04-06T16:32:01Z) - Euclideanizing Flows: Diffeomorphic Reduction for Learning Stable
Dynamical Systems [74.80320120264459]
本研究では、限られた数の人間の実演からそのような動きを学ぶためのアプローチを提案する。
複素運動は安定な力学系のロールアウトとして符号化される。
このアプローチの有効性は、確立されたベンチマーク上での検証と、現実世界のロボットシステム上で収集されたデモによって実証される。
論文 参考訳（メタデータ） (2020-05-27T03:51:57Z)
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。