論文の概要: Markovian Dynamics Enforcer: Feasibility Preserving Correction on Learned Dynamics Manifolds
- arxiv url: http://arxiv.org/abs/2609.39888v2
- Date: Thu, 01 Oct 2026 12:25:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:23.564594
- Title: Markovian Dynamics Enforcer: Feasibility Preserving Correction on Learned Dynamics Manifolds
- Title（参考訳）: Markovian Dynamics Enforcer:学習されたダイナミクス多様体の補正を可能にする可能性
- Abstract要約: 状態遷移提案を学習可能な動的多様体にマッピングするためにマルコフ力学エンコーサー(MaDE)を導入する。
MaDEは、完全に指定されたシミュレートされたシステム上で、動的残差を本質的にゼロに駆動する。
平均変位誤差は1.57から1.83に上昇する。
- 参考スコア（独自算出の注目度）: 9.895328002477754
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neural trajectory predictors can reach low prediction error while violating dynamics, actuator limits, or state constraints, especially when controls are unobserved and dynamics are partially specified. We introduce the Markovian Dynamics Enforcer (MaDE), a time-invariant post-hoc operator mapping state-transition proposals onto a learned feasible dynamics manifold, trained on feasible states without ground-truth controls. For each transition it infers a control and recomputes the state through a completion model of known physics plus a learned residual. It then corrects that control by gradient-based inequality reduction, so inequality satisfaction is best-effort within an iteration budget. Since every correction iterate re-enters the completion model, the returned state is dynamically consistent by construction relative to that model and the supplied previous-state anchor. MaDE drives dynamics residuals to essentially zero on fully specified simulated systems, and on an underspecified system leaves a smaller true-dynamics residual than the baselines. Designed to attach to arbitrary predictors, the frozen operator is evaluated downstream of recurrent, structured state-space, and transformer predictors. On recorded vehicle trajectories the one-step residual against a kinematic bicycle model is 0.0071 to 0.0072 for MaDE and 0.1703 to 0.1714 for raw predictors. MaDE raises average displacement error by a factor of 1.57 to 1.83.
- Abstract（参考訳）: ニューラルトラジェクトリ予測器は、ダイナミックス、アクチュエータ制限、状態制約に違反しながら、低い予測誤差に達することができる。
我々は、時間不変なポストホック作用素であるマルコフダイナミクスエンコーサー(MaDE)を導入し、状態遷移提案を学習可能な動的多様体にマッピングする。
遷移ごとに制御を推論し、既知の物理の完成モデルと学習された残留物を通して状態を再計算する。
そして、勾配に基づく不平等の低減による制御を補正するので、不平等の満足度はイテレーション予算の中で最善である。
すべての補正が完了モデルに再入力されるため、返却された状態はそのモデルと供給された前状態アンカーに対する構成によって動的に一貫する。
MaDEは、完全に指定されたシミュレートされたシステム上で、動的残差を本質的にゼロに駆動し、不特定なシステムでは、ベースラインよりも小さな真の力学残差を残している。
任意の予測子にアタッチするために設計された凍結演算子は、繰り返し、構造化された状態空間、トランスフォーマー予測子の下流で評価される。
記録された車両軌跡では、キネマティック自転車モデルに対する一段残差は、MaDEでは0.0071〜0.0072、生予測器では0.1703〜0.1714である。
MaDEは平均変位誤差を1.57から1.83に上げる。
関連論文リスト
- Transolver-$σ$: Joint Spectral-Physical Subspace Modeling for Neural PDE Solving [53.58729034895666]
Transolver-$は、結合スペクトル-物理部分空間モデリングに基づくニューラルPDEソルバである。
平均的な相対誤差を33.4%減らし、各基準に対して最強の基準線を上回り、最先端を達成している。
論文 参考訳（メタデータ） (2026-09-29T11:24:19Z) - Beyond One-Step Accuracy: State-Affine Latent Transition for Reliable Visual Planning [53.476598858325985]
複数ステップのロールアウトエラーを個々のステップで導入したエラーに分解し,その後の遷移を通した伝播を行う。
状態-アフィンダイナミクスは、状態非依存のヤコビアンとの微分可能遷移であることを示す。
動作条件付き状態-アフィンダイナミクスモデルであるSALTを導入し、動作が状態変換と追加更新の両方を変調する。
論文 参考訳（メタデータ） (2026-09-27T14:12:27Z) - Reproducible macroscopic dynamics in a closed-loop human-AI learning system [7.194389573952499]
閉ループヒトAIシステムは、集団動力学が不明な行動軌道を生成する。
モデルフィッティングの前にセマンティックな順序変数を定義し、ユーザ不随のコホートでそれらをテストする。
我々は、経験力学、解釈可能なメカニズム、ニューラルネットワークをリンクする外部に固定された先行方向有効場を同定する。
論文 参考訳（メタデータ） (2026-08-31T15:17:01Z) - Physics-Aware Sparse Learning and Selective Online Adaptation for Euler-Lagrange Robot Dynamics [3.247008128557575]
学習に基づくほとんどの補正手法は, 1つの加算残差を導入することにより, 予測精度を向上させる。
本稿では,モデルミスマッチを慣性補正,対応するコリオリ項,一般化力残差に分解する構造保存残差学習フレームワークを提案する。
移動・航空・マニピュレータシステムを含む複数のロボットプラットフォームを対象とした実験により, 提案手法は, 結合および時間変化の動的条件下での動的予測と軌道追跡を改善することを示した。
論文 参考訳（メタデータ） (2026-06-08T15:36:00Z) - A Flow Matching Framework for Soft-Robot Inverse Dynamics [13.045225329973617]
オープンループフィードフォワード制御のための逆力学フレームワークは、生成トランスポートマップとしてシステムの微分力学を学習する。
作業は、ソフトロボットシステムにおいて、微分逆ダイナミクスを学習するための堅牢で高性能なパラダイムとしてフローマッチングを実証する。
論文 参考訳（メタデータ） (2026-04-03T12:45:46Z) - World Model for Battery Degradation Prediction Under Non-Stationary Aging [1.2891210250935148]
本稿では,世界モデル問題としてバッテリ劣化予後を定式化する。
各サイクルから生の電圧、電流、温度の時系列を遅延状態に符号化する。
学習したダイナミクスの遷移を通じて前進し、将来の80サイクルにわたる軌道を生成する。
論文 参考訳（メタデータ） (2026-03-11T08:30:15Z) - AERMANI-Diffusion: Regime-Conditioned Diffusion for Dynamics Learning in Aerial Manipulators [2.376629619475859]
空力マニピュレータは、慣性結合力と空力の迅速かつ構成に依存した変化を行う。
条件付き拡散プロセスと軽量時間エンコーダを用いて残留力の完全な分布をモデル化する状態条件拡散フレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-11T16:10:32Z) - ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
ResADは正規化された残留軌道モデリングフレームワークである。
学習タスクを再編成し、慣性参照からの残留偏差を予測する。
NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
論文 参考訳（メタデータ） (2025-10-09T17:59:36Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Stochastic Trajectory Prediction via Motion Indeterminacy Diffusion [88.45326906116165]
運動不確定性拡散(MID)の逆過程として軌道予測タスクを定式化する新しい枠組みを提案する。
我々は,履歴行動情報と社会的相互作用を状態埋め込みとしてエンコードし,トランジトリの時間的依存性を捉えるためにトランスフォーマーに基づく拡散モデルを考案する。
スタンフォード・ドローンやETH/UCYデータセットなど,人間の軌道予測ベンチマーク実験により,本手法の優位性を実証した。
論文 参考訳（メタデータ） (2022-03-25T16:59:08Z)
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。