Fugu-MT 論文翻訳(概要): STRIDE: Structured Lagrangian and Stochastic Residual Dynamics via Flow Matching

論文の概要: STRIDE: Structured Lagrangian and Stochastic Residual Dynamics via Flow Matching

arxiv url: http://arxiv.org/abs/2603.08478v2
Date: Sun, 15 Mar 2026 17:35:08 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-17 13:51:29.009305
Title: STRIDE: Structured Lagrangian and Stochastic Residual Dynamics via Flow Matching
Title（参考訳）: STRIDE:フローマッチングによる構造ラグランジアンと確率的残留ダイナミクス
Authors: Prakrut Kotecha, Ganga Nair B, Shishir Kolathaya,
Abstract要約: 本研究では、保守的な剛体力学を不確実かつ効果的に非保守的な相互作用効果から分離する動的学習フレームワークSTRIDEを提案する。本研究は,ペンデュラム,Unitree Go1ruped,Unitree G1 humanoidなど複雑度の高いシステム上でのSTRIDEの評価である。その結果, 長軸予測誤差が20%減少し, 接触力予測誤差が30%減少した。
参考スコア（独自算出の注目度）: 2.5845893156827158
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Robotic systems operating in unstructured environments must operate under significant uncertainty arising from intermittent contacts, frictional variability, and unmodeled compliance. While recent model-free approaches have demonstrated impressive performance, many deployment settings still require predictive models that support planning, constraint handling, and online adaptation. Analytical rigid-body models provide strong physical structure but often fail to capture complex interaction effects, whereas purely data-driven models may violate physical consistency, exhibit data bias, and accumulate long-horizon drift. In this work, we propose STRIDE, a dynamics learning framework that explicitly separates conservative rigid-body mechanics from uncertain, effectively stochastic non-conservative interaction effects. The structured component is modeled using a Lagrangian Neural Network (LNN) to preserve energy-consistent inertial dynamics, while residual interaction forces are represented using Conditional Flow Matching (CFM) to capture multi-modal interaction phenomena. The two components are trained jointly end-to-end, enabling the model to retain physical structure while representing complex stochastic behavior. We evaluate STRIDE on systems of increasing complexity, including a pendulum, the Unitree Go1 quadruped, and the Unitree G1 humanoid. Results show 20% reduction in long-horizon prediction error and 30% reduction in contact force prediction error compared to deterministic residual baselines, supporting more reliable model-based control in uncertain robotic environments.
Abstract（参考訳）: 非構造環境で動作しているロボットシステムは、断続的な接触、摩擦変動、非モデルコンプライアンスに起因する重大な不確実性の下で動作しなければならない。最近のモデルフリーアプローチは素晴らしいパフォーマンスを示しているが、多くのデプロイメント設定では、計画、制約ハンドリング、オンライン適応をサポートする予測モデルが必要である。解析的剛体モデルは強い物理的構造を提供するが、しばしば複雑な相互作用を捉えることができないが、純粋にデータ駆動モデルは物理的一貫性に反し、データのバイアスを示し、長い水平ドリフトを蓄積する。本研究では、保守的な剛体力学を不確実で統計的に非保守的な相互作用効果から明確に分離する動的学習フレームワークSTRIDEを提案する。ラグランジアンニューラルネットワーク(LNN)を用いてエネルギー一貫性慣性力学を保ち、残留相互作用力は条件フローマッチング(CFM)を用いて表現し、多モード相互作用現象を捉える。 2つのコンポーネントは、共同でエンドツーエンドにトレーニングされ、複雑な確率的振る舞いを表現しながら、モデルが物理的構造を維持することができる。本研究は, 振り子, ユニツリー Go1 四重組, ユニツリー G1 ヒューマノイドなど複雑度の高いシステム上でのSTRIDE の評価である。その結果, 決定論的残差ベースラインと比較して, 長期予測誤差が20%減少し, 接触力予測誤差が30%減少し, 不確実なロボット環境におけるモデルベース制御の信頼性が向上した。

関連論文リスト

Hybrid Model Predictive Control with Physics-Informed Neural Network for Satellite Attitude Control [2.7222301668137483]
信頼性の高い宇宙船の姿勢制御は、姿勢力学の正確な予測に依存する。複雑な力学を持つ宇宙船では、正確な物理モデルを得るのは難しい、時間を要する、あるいは計算的に重い。本研究では、宇宙船の姿勢力学をモデル化するための物理情報ニューラルネットワーク(PINN)について検討する。
論文参考訳（メタデータ） (2026-02-17T19:08:48Z)
KoopGen: Koopman Generator Networks for Representing and Predicting Dynamical Systems with Continuous Spectra [65.11254608352982]
生成元をベースとしたニューラル・クープマン・フレームワークを導入し,構造的かつ状態に依存したクープマン・ジェネレータの表現を通じて動的にモデル化する。固有のカルテス分解をスキュー結合および自己結合成分に利用することにより、KoopGenは可逆的な散逸から保守的な輸送を分離する。
論文参考訳（メタデータ） (2026-02-15T06:32:23Z)
Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
論文参考訳（メタデータ） (2025-10-09T04:48:49Z)
PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
論文参考訳（メタデータ） (2025-08-29T01:47:27Z)
Forecasting Continuous Non-Conservative Dynamical Systems in SO(3) [51.510040541600176]
コンピュータビジョンにおける移動物体の回転をモデル化するための新しい手法を提案する。我々のアプローチは、入力ノイズに対して頑健でありながら、エネルギーと運動量保存に非依存である。トレーニング中の雑音状態から物体のダイナミクスを近似させることで、シミュレーションや様々な現実世界の設定において頑健な外挿能力が得られる。
論文参考訳（メタデータ） (2025-08-11T09:03:10Z)
Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
論文参考訳（メタデータ） (2025-07-15T17:57:48Z)
StFT: Spatio-temporal Fourier Transformer for Long-term Dynamics Prediction [10.64762092324374]
本稿では,自動回帰時変変換器(FTStours)を提案する。 FTStoursは、マクロスケールとマイクロスペーススケールの両方にわたる基礎となるダイナミクスをキャプチャする。 3つのベンチマークデータセットで行った評価は、最先端のML手法に対する我々のアプローチの利点を示している。
論文参考訳（メタデータ） (2025-03-14T22:04:03Z)
Neural Persistence Dynamics [8.197801260302642]
時間発展する点雲のトポロジにおける力学を学習する問題を考察する。提案したモデル - $textitNeural Persistence Dynamics$ - は、パラメータ回帰タスクの多種多様なセットで最先端のパフォーマンスを大幅に上回る。
論文参考訳（メタデータ） (2024-05-24T17:20:18Z)
End-to-End Learning of Hybrid Inverse Dynamics Models for Precise and Compliant Impedance Control [16.88250694156719]
剛体力学モデルの物理的に一貫した慣性パラメータを同定できる新しいハイブリッドモデルの定式化を提案する。 7自由度マニピュレータ上での最先端の逆動力学モデルに対する我々のアプローチを比較した。
論文参考訳（メタデータ） (2022-05-27T07:39:28Z)
Neural Operator with Regularity Structure for Modeling Dynamics Driven by SPDEs [70.51212431290611]
偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
論文参考訳（メタデータ） (2022-04-13T08:53:41Z)

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。