論文の概要: ServoLNN: Lagrangian Neural Networks Driven by Servomechanisms

• arxiv url: http://arxiv.org/abs/2502.19802v1
• Date: Thu, 27 Feb 2025 06:21:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-28 14:55:37.992947
• Title: ServoLNN: Lagrangian Neural Networks Driven by Servomechanisms
• Title（参考訳）: ServoLNN: サーボ機構によるラグランジアンニューラルネットワーク
• Authors: Brandon Johns, Zhuomin Zhou, Elahe Abdi,
• Abstract要約: 本稿ではサーボメカニズムによって駆動される動的システムをモデル化する新しいアーキテクチャであるServoLNNについて述べる。 アーキテクチャは同時に、エネルギー、パワー、仕事の速度、質量行列、一般化された加速度、一般化された力、およびサーボメカニズムを駆動する一般化された力を見つけることができる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Combining deep learning with classical physics facilitates the efficient creation of accurate dynamical models. In a recent class of neural network, Lagrangian mechanics is hard-coded into the architecture, and training the network learns the given system. However, the current architectures do not facilitate the modelling of dynamical systems that are driven by servomechanisms (e.g. servomotors, stepper motors, current sources, volumetric pumps). This article presents ServoLNN, a new architecture to model dynamical systems that are driven by servomechanisms. ServoLNN is compatible for use in real-time applications, where the driving motion is known only just-in-time. A PyTorch implementation of ServoLNN is provided. The derivations and results reveal the occurrence of a possible family of solutions that the training may converge on. The effect of the family of solutions on the predicted physical quantities is explored, as is the resolution to reduce the family of solutions to a single solution. Resultantly, the architecture can simultaneously accurately find the energies, power, rate of work, mass matrix, generalised accelerations, generalised forces, and the generalised forces that drive the servomechanisms.
• Abstract（参考訳）: ディープラーニングと古典物理学を組み合わせることで、正確な力学モデルの効率的な作成が容易になる。 最近のニューラルネットワークのクラスでは、ラグランジアン力学はアーキテクチャにハードコードされ、ネットワークが与えられたシステムを学ぶことを訓練する。 しかし、現在のアーキテクチャはサーボメカニクスによって駆動される力学系(サーボモレータ、ステッパーモータ、電流源、体積ポンプなど)のモデリングを容易化していない。 本稿ではサーボメカニズムによって駆動される動的システムをモデル化する新しいアーキテクチャであるServoLNNについて述べる。 ServoLNNは、運転動作がジャスト・イン・タイムでのみ知られているリアルタイムアプリケーションでの使用に互換性がある。 ServoLNNのPyTorch実装が提供される。 導出と結果から、トレーニングが収束する可能性のある解の族の存在が明らかになる。 溶液の族が予測された物理量に与える影響について検討し、溶液の族を1つの溶液に還元する分解能について検討する。 結果として、アーキテクチャは同時に、エネルギー、パワー、仕事の速度、質量行列、一般化された加速、一般化された力、およびサーボメカリズムを駆動する一般化された力を見つけることができる。

関連論文リスト

• Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
  我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。 新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。 我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
  論文  参考訳（メタデータ） (2024-02-20T15:23:24Z)
• Lie Group Forced Variational Integrator Networks for Learning and Control of Robot Systems [14.748599534387688]
  本稿では,Lie群上で制御されたラグランジアンあるいはハミルトン力学を学習できる構造保存型ディープラーニングアーキテクチャを提案する。 リーFVINは、力学が進化するリー群構造と、ハミルトニアン系やラグランジアン系の下にあるシンプレクティック構造の両方を保存している。
  論文  参考訳（メタデータ） (2022-11-29T08:14:05Z)
• 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)
• Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
  データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。 ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。 ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
  論文  参考訳（メタデータ） (2022-04-09T22:07:34Z)
• 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)
• Neural Networks with Physics-Informed Architectures and Constraints for Dynamical Systems Modeling [19.399031618628864]
  軌道データから動的モデルを学ぶためのフレームワークを開発する。 出力の値とモデルの内部状態に制約を課す。 様々な力学系に対する提案手法の利点を実験的に実証した。
  論文  参考訳（メタデータ） (2021-09-14T02:47:51Z)
• Port-Hamiltonian Neural Networks for Learning Explicit Time-Dependent Dynamical Systems [2.6084034060847894]
  動的システムの時間的挙動を正確に学習するには、十分な学習バイアスを持つモデルが必要である。 近年のイノベーションは、ハミルトン形式とラグランジュ形式をニューラルネットワークに組み込んでいる。 提案したエンポート・ハミルトンニューラルネットワークは,非線形物理系の実利的な力学を効率的に学習できることを示す。
  論文  参考訳（メタデータ） (2021-07-16T17:31:54Z)
• Learning Discrete Energy-based Models via Auxiliary-variable Local Exploration [130.89746032163106]
  離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。 エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。 本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
  論文  参考訳（メタデータ） (2020-11-10T19:31:29Z)

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。