論文の概要: Learning Physically Consistent Lagrangian Control Models Without Acceleration Measurements

• arxiv url: http://arxiv.org/abs/2512.03035v1
• Date: Tue, 02 Dec 2025 18:56:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:46.020393
• Title: Learning Physically Consistent Lagrangian Control Models Without Acceleration Measurements
• Title（参考訳）: 加速度測定を伴わない物理的に一貫性のあるラグランジアン制御モデルの学習
• Authors: Ibrahim Laiche, Mokrane Boudaoud, Patrick Gallinari, Pascal Morin,
• Abstract要約: 本稿では、モデルベース制御合成に不可欠な物理的に一貫したモデルの導出と同定に焦点を当てる。 ラグランジアンまたはハミルトンニューラルネットワークは有用な構造保証を提供するが、そのようなモデルの学習はしばしば矛盾するモデルにつながる。 ラグランジアンシステムの物理的整合性を改善するために、元の損失関数に依存する学習アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 11.581126685402083
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This article investigates the modeling and control of Lagrangian systems involving non-conservative forces using a hybrid method that does not require acceleration calculations. It focuses in particular on the derivation and identification of physically consistent models, which are essential for model-based control synthesis. Lagrangian or Hamiltonian neural networks provide useful structural guarantees but the learning of such models often leads to inconsistent models, especially on real physical systems where training data are limited, partial and noisy. Motivated by this observation and the objective to exploit these models for model-based nonlinear control, a learning algorithm relying on an original loss function is proposed to improve the physical consistency of Lagrangian systems. A comparative analysis of different learning-based modeling approaches with the proposed solution shows significant improvements in terms of physical consistency of the learned models, on both simulated and experimental systems. The model's consistency is then exploited to demonstrate, on an experimental benchmark, the practical relevance of the proposed methodology for feedback linearization and energy-based control techniques.
• Abstract（参考訳）: 本稿では,加速度計算を必要としないハイブリッド手法を用いて,非保守力を含むラグランジアン系のモデル化と制御について検討する。 特に、モデルベースの制御合成に不可欠な物理的に一貫したモデルの導出と同定に焦点を当てている。 ラグランジアンニューラルネットワークやハミルトンニューラルネットワークは有用な構造保証を提供するが、そのようなモデルの学習は、トレーニングデータが限定的、部分的、ノイズの多い実際の物理的システムにおいて、一貫性のないモデルにつながることが多い。 この観測とモデルに基づく非線形制御のためにこれらのモデルを利用する目的により、ラグランジアンシステムの物理的整合性を改善するために、元の損失関数に依存する学習アルゴリズムが提案される。 提案手法と異なる学習に基づくモデリング手法の比較分析により,シミュレーションシステムと実験システムの両方において,学習モデルの物理的一貫性が著しく向上したことを示す。 モデルの一貫性を利用して、実験的なベンチマークで、フィードバック線形化とエネルギーベースの制御技術に対する提案手法の実践的妥当性を実証する。

関連論文リスト

• Nonlinear Model Order Reduction of Dynamical Systems in Process Engineering: Review and Comparison [50.0791489606211]
  我々は、最先端の非線形モデルオーダー削減手法についてレビューする。 本稿では,(化学)プロセスシステムのための汎用的手法と適合したアプローチについて論じる。
  論文  参考訳（メタデータ） (2025-06-15T11:39:12Z)
• Hybrid Adaptive Modeling using Neural Networks Trained with Nonlinear Dynamics Based Features [5.652228574188242]
  本稿では,非線形動的モデリングから情報を明らかにし,それをデータベースモデルに組み込むことにより,標準手法から逸脱する新しいアプローチを提案する。 摂動法による非線形力学現象を明示的に取り入れることにより、予測能力はブルートフォース数値シミュレーションから得られた知識と比較してより現実的で洞察力が高い。
  論文  参考訳（メタデータ） (2025-01-21T02:38:28Z)
• Orthogonal projection-based regularization for efficient model augmentation [2.6071013155805556]
  ディープラーニングに基づく非線形システム同定は、実際に信頼性が高く高精度なモデルを作成する能力を示している。 これらのブラックボックスモデルは物理的解釈性に欠けており、学習のかなりの部分は、既に期待されていた、あるいは既知のシステムの振る舞いを捉えるのに費やされている。 潜在的な解決策は、物理に基づくモデリングとディープラーニングの識別の強みを組み合わせて、そのような以前の物理知識を直接モデル構造に統合することである。
  論文  参考訳（メタデータ） (2025-01-10T10:33:13Z)
• Data-driven Nonlinear Model Reduction using Koopman Theory: Integrated Control Form and NMPC Case Study [56.283944756315066]
  そこで本研究では,遅延座標符号化と全状態復号化を組み合わせた汎用モデル構造を提案し,Koopmanモデリングと状態推定を統合した。 ケーススタディでは,本手法が正確な制御モデルを提供し,高純度極低温蒸留塔のリアルタイム非線形予測制御を可能にすることを実証している。
  論文  参考訳（メタデータ） (2024-01-09T11:54:54Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Multi-Objective Physics-Guided Recurrent Neural Networks for Identifying Non-Autonomous Dynamical Systems [0.0]
  制御対象の非自律系をモデル化するための物理誘導型ハイブリッド手法を提案する。 これはリカレントニューラルネットワークによって拡張され、洗練された多目的戦略を使用してトレーニングされる。 実データを用いた実験により,物理モデルと比較して精度が大幅に向上した。
  論文  参考訳（メタデータ） (2022-04-27T14:33:02Z)
• Learning continuous models for continuous physics [94.42705784823997]
  本研究では,科学技術応用のための機械学習モデルを検証する数値解析理論に基づくテストを開発する。 本研究は,従来のMLトレーニング/テスト手法と一体化して,科学・工学分野におけるモデルの検証を行う方法である。
  論文  参考訳（メタデータ） (2022-02-17T07:56:46Z)
• 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)
• Structured Hammerstein-Wiener Model Learning for Model Predictive Control [0.2752817022620644]
  本稿では,機械学習によって構築されたモデルを用いて最適制御の信頼性を向上させることを目的とする。 本稿では,Hammerstein-Wienerモデルと凸ニューラルネットワークを組み合わせたモデルを提案する。
  論文  参考訳（メタデータ） (2021-07-09T06:41:34Z)
• Modeling System Dynamics with Physics-Informed Neural Networks Based on Lagrangian Mechanics [3.214927790437842]
  第一原則の手法は高いバイアスに悩まされるが、データ駆動モデリングは高いばらつきを持つ傾向がある。 本稿では,2つのモデリング手法を組み合わせて上記の問題を解くハイブリッドモデルであるPINODEについて述べる。 本研究の目的は,機械系のモデルベース制御とシステム同定である。
  論文  参考訳（メタデータ） (2020-05-29T15:10:43Z)

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。