Fugu-MT 論文翻訳(概要): Learning Forced Multibody Dynamics on Lie Groups

論文の概要: Learning Forced Multibody Dynamics on Lie Groups

arxiv url: http://arxiv.org/abs/2607.12627v1
Date: Tue, 14 Jul 2026 11:05:31 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-15 17:08:30.122442
Title: Learning Forced Multibody Dynamics on Lie Groups
Title（参考訳）: リー群における強制多体ダイナミクスの学習
Abstract要約: リー群上の離散強制オイラー・ラグランジュ方程式に基づいて機械系の力学を学習するためのアーキテクチャを提案する。多様体値の構成空間上で直接力学を定式化することにより、この方法は系の幾何学的構造を自然に尊重する。位置測定のみに依存するため、速度データが利用できない、あるいはノイズの多い環境ではフレームワークが適用できる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose an architecture for learning the dynamics of mechanical systems based on discrete forced Euler-Lagrange equations on Lie groups using only position data. By formulating the dynamics directly on manifold-valued configuration spaces, the method naturally respects the geometric structure of the systems and preserves geometric invariants and conservation laws. The reliance on position measurements alone makes the framework applicable in settings where velocity data are unavailable or noisy. The approach extends naturally to multibody systems, accommodates external control inputs, and demonstrates strong performance on both synthetic and real-world datasets.
Abstract（参考訳）: 本稿では,リー群上の離散強制型オイラー・ラグランジュ方程式に基づいて,位置データのみを用いて機械系の力学を学習するアーキテクチャを提案する。力学を直接多様体値の構成空間上で定式化することにより、この方法は系の幾何学的構造を自然に尊重し、幾何学的不変量や保存則を保存する。位置測定のみに依存するため、速度データが利用できない、あるいはノイズの多い環境ではフレームワークが適用できる。このアプローチは自然にマルチボディシステムに拡張され、外部制御入力に対応し、合成データセットと実世界のデータセットの両方で強力なパフォーマンスを示す。

関連論文リスト

Structure-Preserving Gaussian Processes Via Discrete Euler-Lagrange Equations [11.33548552323782]
離散オイラー強制ラグランジュ方程式を用いて力学を学習するためのラグランジアンガウス過程(LGP)を提案する。本稿では,LGPのデータ効率と一般化能力について,様々なケーススタディと実世界のケーススタディで実証する。
論文参考訳（メタデータ） (2026-05-07T13:26:47Z)
Learning Hidden Structures in Open Quantum Dynamics [78.4675086615913]
本研究では,制限された実験アクセス下でのオープン量子力学の隠れ構造的特徴を識別するための機械学習手法を提案する。我々のフレームワークは、有効マルコフ進化の根底にある不変代数構造の推定を目標としている。このアプローチの実現性は、複数の合成モデルと導波路量子電磁力学系で説明される。
論文参考訳（メタデータ） (2026-04-01T10:20:38Z)
Curve-Induced Dynamical Systems on Riemannian Manifolds and Lie Groups [25.48711199625679]
本稿では,Smooth Manifolds (CDSM) 上でCurveによって誘導される動的システムについて紹介する。トラジェクトリ精度の向上,経路偏差の低減,生成時間とクエリ時間の向上を,最先端手法と比較した。
論文参考訳（メタデータ） (2026-03-05T15:18:26Z)
Learning State-Space Models of Dynamic Systems from Arbitrary Data using Joint Embedding Predictive Architectures [1.8434042562191812]
本稿では,任意の観測データから連続時間力学系を用いた世界モデル作成手法を提案する。提案手法は, ニューラル常微分方程式(ニューラルODE)とシーケンス埋め込みを統合する。状態遷移における収縮埋め込みとリプシッツ定数を強制する損失関数を用いて、よく組織化された潜在状態空間を構築する。
論文参考訳（メタデータ） (2025-08-14T09:46:11Z)
Learning mechanical systems from real-world data using discrete forced Lagrangian dynamics [0.0]
位置測定から機械系の運動方程式を直接学習するデータ駆動手法を提案する。これは、モーションキャプチャ、ピクセルデータ、低解像度追跡など、位置情報しか利用できないシステム識別タスクに特に関係している。
論文参考訳（メタデータ） (2025-05-26T12:13:00Z)
Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
論文参考訳（メタデータ） (2025-03-24T03:19:45Z)
Geometric Principles for Machine Learning of Dynamical Systems [0.0]
本稿では,構造的一般化を実現するために,構造に富む幾何学的空間を機械学習に活用することを提案する。本稿では,線形時間不変力学系の機械学習を通して,この考え方を説明する。
論文参考訳（メタデータ） (2025-02-19T17:28:40Z)
Learning Controlled Stochastic Differential Equations [61.82896036131116]
本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。当社のメソッドはオープンソースPythonライブラリとして利用可能です。
論文参考訳（メタデータ） (2024-11-04T11:09:58Z)
Capturing Actionable Dynamics with Structured Latent Ordinary Differential Equations [68.62843292346813]
本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
論文参考訳（メタデータ） (2022-02-25T20:00:56Z)
DySMHO: Data-Driven Discovery of Governing Equations for Dynamical Systems via Moving Horizon Optimization [77.34726150561087]
本稿では,スケーラブルな機械学習フレームワークである移動水平最適化(DySMHO)による動的システムの発見について紹介する。 DySMHOは、基底関数の大きな辞書から基礎となる支配方程式を逐次学習する。標準非線形力学系の例は、DySMHOが規則を正確に回復できることを示すために用いられる。
論文参考訳（メタデータ） (2021-07-30T20:35:03Z)
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。