論文の概要: Investigating Lagrangian Neural Networks for Infinite Horizon Planning in Quadrupedal Locomotion

• arxiv url: http://arxiv.org/abs/2506.16079v1
• Date: Thu, 19 Jun 2025 07:04:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-23 19:00:04.972671
• Title: Investigating Lagrangian Neural Networks for Infinite Horizon Planning in Quadrupedal Locomotion
• Title（参考訳）: 四足歩行における無限水平計画のためのラグランジアンニューラルネットワークの検討
• Authors: Prakrut Kotecha, Aditya Shirwatkar, Shishir Kolathaya,
• Abstract要約: ラグランジアンニューラルネットワーク(LNN)は、帰納的バイアスを利用してシステムダイナミクスを学ぶための原則的で解釈可能なフレームワークである。 この研究は、4つの力学モデルによる四足歩行ロボットの無限水平計画のためのLNNを評価する。 実験により、LNNはサンプル効率(10倍)と予測精度(2～10倍)をベースライン法と比較して改善することが示された。
• 参考スコア（独自算出の注目度）: 1.3167173258708438
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Lagrangian Neural Networks (LNNs) present a principled and interpretable framework for learning the system dynamics by utilizing inductive biases. While traditional dynamics models struggle with compounding errors over long horizons, LNNs intrinsically preserve the physical laws governing any system, enabling accurate and stable predictions essential for sustainable locomotion. This work evaluates LNNs for infinite horizon planning in quadrupedal robots through four dynamics models: (1) full-order forward dynamics (FD) training and inference, (2) diagonalized representation of Mass Matrix in full order FD, (3) full-order inverse dynamics (ID) training with FD inference, (4) reduced-order modeling via torso centre-of-mass (CoM) dynamics. Experiments demonstrate that LNNs bring improvements in sample efficiency (10x) and superior prediction accuracy (up to 2-10x) compared to baseline methods. Notably, the diagonalization approach of LNNs reduces computational complexity while retaining some interpretability, enabling real-time receding horizon control. These findings highlight the advantages of LNNs in capturing the underlying structure of system dynamics in quadrupeds, leading to improved performance and efficiency in locomotion planning and control. Additionally, our approach achieves a higher control frequency than previous LNN methods, demonstrating its potential for real-world deployment on quadrupeds.
• Abstract（参考訳）: ラグランジアンニューラルネットワーク(LNN)は、帰納的バイアスを利用してシステムダイナミクスを学ぶための原則的で解釈可能なフレームワークである。 従来の力学モデルは長い地平線上の複雑な誤差に苦しむが、LNNは本質的にあらゆるシステムを管理する物理法則を保ち、持続可能な移動に必要な正確かつ安定した予測を可能にする。 本研究は,(1)FDトレーニングと推論,(2)FDトレーニングにおけるMass Matrixの対角化表現,(3)FD推論を用いたフルオーダー逆ダイナミクス(ID)トレーニング,(4)Torso center-of-mass(CoM)ダイナミックスによる低次モデリングの4つのモデルを用いて,四足歩行ロボットにおける無限地平面計画のためのLNNを評価する。 実験により、LNNはサンプル効率(10倍)と予測精度(2～10倍)をベースライン法と比較して改善することが示された。 特に、LNNの対角化アプローチは、解釈可能性を維持しながら計算複雑性を低減し、リアルタイムの後退地平線制御を可能にする。 これらの知見は,4重項系におけるシステムダイナミクスの基盤構造を捉える上でのLNNの利点を強調し,ロコモーション計画と制御における性能と効率の向上につながった。 さらに,本手法は従来のLNN手法よりも高い制御周波数を実現し,実世界展開の可能性を示す。

関連論文リスト

• Learning multi-phase flow and transport in fractured porous media with auto-regressive and recurrent graph neural networks [0.3749861135832073]
  グラフニューラルネットワーク(GNN)を用いた破壊多孔質媒体の複雑な多相流と輸送ダイナミクスの学習を提案する。 GNNは、埋め込み離散破壊モデル(EDFM)によるグリッドの非構造的トポロジーのため、このタスクに適している。 両GNNは,飽和列の予測において同等の性能を示し,圧力列の予測において,繰り返しGNNの性能が若干向上した。
  論文  参考訳（メタデータ） (2025-02-22T10:12:52Z)
• Efficient State Space Model via Fast Tensor Convolution and Block Diagonalization [5.260841516691153]
  本稿では,マルチインプットマルチアウトプットSSMに基づく新しい状態空間層,すなわち効率的なSSMを提案する。 我々のeSSMは、マルチインプットおよびマルチインプット(MIMO)SSMの畳み込み表現に基づいて構築されている。 モデル効率ベンチマークでは、eSSMのパラメータはLSTMの12.89%、Mambaの13.24%に過ぎなかった。
  論文  参考訳（メタデータ） (2024-02-23T12:36:31Z)
• SEGNO: Generalizing Equivariant Graph Neural Networks with Physical Inductive Biases [66.61789780666727]
  等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。 また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。 我々のモデルは最先端のベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-08-25T07:15:58Z)
• Implicit Stochastic Gradient Descent for Training Physics-informed Neural Networks [51.92362217307946]
  物理インフォームドニューラルネットワーク(PINN)は、前方および逆微分方程式問題の解法として効果的に実証されている。 PINNは、近似すべきターゲット関数が高周波またはマルチスケールの特徴を示す場合、トレーニング障害に閉じ込められる。 本稿では,暗黙的勾配降下法(ISGD)を用いてPINNを訓練し,トレーニングプロセスの安定性を向上させることを提案する。
  論文  参考訳（メタデータ） (2023-03-03T08:17:47Z)
• 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)
• Expressive architectures enhance interpretability of dynamics-based neural population models [2.294014185517203]
  シミュレーションされたニューラルネットワークから潜在カオスを引き付ける際のシーケンシャルオートエンコーダ(SAE)の性能を評価する。 広帯域再帰型ニューラルネットワーク(RNN)を用いたSAEでは,真の潜在状態次元での正確な発射速度を推定できないことがわかった。
  論文  参考訳（メタデータ） (2022-12-07T16:44:26Z)
• On Lyapunov Exponents for RNNs: Understanding Information Propagation Using Dynamical Systems Tools [6.199300239433395]
  Lyapunov Exponents (LEs) は非線形系軌道の膨張と収縮の速度を測定する。 情報の前方伝播は誤り勾配の後方伝播と関係しているため、レはRNN訓練力学の安定性に左右される。 学習力学の安定性を理解し、活用するためのツールとして、リャプノフスペクトルは、規範的な数学的アプローチの間の既存のギャップを埋める。
  論文  参考訳（メタデータ） (2020-06-25T00:53:19Z)

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。