增量半参数反动力学学习

Jan, 2016

Incremental Semiparametric Inverse Dynamics Learning

Raffaello Camoriano, Silvio Traversaro, Lorenzo Rosasco, Giorgio Metta, Francesco Nori

TL;DR本文提出了一种新颖的增量半参数反向动力学学习方法，通过刚体动力学方程的参数建模和增量核方法的非参数建模相结合，实现了对机械系统动力学的增量半参数学习，并在 iCub 人型机器人贴身进行验证。

Abstract

This paper presents a novel approach for incremental semiparametric inverse dynamics learning. In particular, we consider the mixture of two approaches: parametric modeling based on rigid body dynamics equations and nonparametric modeling based on incremental kernel methods, with no pr

incremental semiparametric inverse dynamics learning parametric modeling nonparametric modeling mechanical properties icub humanoid robot

发现论文，激发创造

层次变分混合模型用于学习动力学概率反演

这篇论文介绍了一种层级建模范式，结合了概率回归模型和贝叶斯非参数方法，采用了一种逼近非线性函数的局部回归技术，提出了两种有效的变分推理技术来学习这些模型，此方法可适应数据并涵盖无限数量的组件，本文对大型逆动力学数据集进行了验证和测试。

Nov, 2022

对称腿机器人的高效样本动力学学习：利用物理不变性和几何对称性

该论文提出了一种利用机器人系统对称性学习动态的新方法，通过设计基于神经网络的对称对象组来考虑机器人系统的几何先验知识，实现了对少样本数据实现系统动态的扩展和精准的控制，同时与现有模型相比，该方法使用更少的训练数据实现了更好的泛化。

Oct, 2022

半自适应协同双向广义逆学习系统

本文提出了一种半自适应协同双向伪逆学习系统，其每个子系统包含前向学习、反向学习和特征级联模块，并使用非梯度下降学习算法进行训练，简化了超参数调整，提高了训练效率。子系统的架构采用数据驱动方法设计，实现了子系统深度的自动确定。与基准的非梯度下降方法进行了比较，结果表明了本文方法的有效性。

Jun, 2024

从 RGBD 视频推断关节刚体动力学

本研究提出通过使用逆向渲染和可微分仿真相结合的方法，从深度或 RGB 视频中创建真实世界关节机构的数字孪生，该方法可以自动发现关节类型和估计其运动学参数，并调整整个机构的动态特性以实现物理上准确的仿真。

Mar, 2022

动力系统的循环深度核学习

使用基于数据驱动的随机变分深度核学习以及递归版本，提出了一种构建 ROMs 的方法，能够对物理资产的复杂动态进行精确描述，并具备去噪、重建、学习紧凑表征系统状态、预测以及量化建模不确定性的能力。

May, 2024

学习树枝动力学以进行操纵模拟

本文提出了一种基于模拟驱动的反推算法来模拟树枝的联合动力学，通过学习分支动力学和获得操作可变形植被的能力来帮助解决果实采摘等容易被遮挡的任务，在密集植被中进行导航。我们的非参数推断算法通过基于 Stein 可变梯度下降的神经网络驱动自适应学习的联合先验，通过有限差分方案的梯度逼近，将统计模型、参考轨迹和贝叶斯形式结合起来，实现了弹簧参数后验概率密度估计，可以准确预测变形轨迹，量化估计不确定性，并且具有强的鲁棒性，适用于存在异方差传感器噪声的情况，并且可以泛化到未见过的抓握位置。

Jun, 2023

具有时间步约束的动力学和信号噪声分解的深度学习

本文提出了一种新的数据驱动建模范式，该范式可以同时学习动态和估计每次观察的测量误差。作者使用深度神经网络建模未知矢量场，并在非均匀时间步长的数据中加入龙格 - 库塔积分器，以约束和集中建模的工作。在多项标准测试问题中表现出本方法形成预测模型的能力，并表明它对大量测量误差具有强鲁棒性。

Aug, 2018

机械系统结构学习的通用框架

本文提出了使用神经网络对力学系统的 Lagrangian 以及作用在该系统上的广义力进行建模的方法，说明该方法优于黑匣子模型的数据效率和模型强化学习性能，并进行了系统研究以验证该方法融入先前知识提高了其数据效率。

Feb, 2019

通过动态模态分解学习非自治系统

本研究提出了一种基于动态模态分解（DMD）的面向未知非自治动态系统时间依赖输入的数据驱动学习方法，该方法利用本地参数化外部时间依赖输入的修正系统作为原始非自治系统的近似，包括一系列本地参数化系统，可以通过参数空间中的降维和插值框架（DRIPS）构建参数化代理模型。

Jun, 2023

学习非线性动态模型

提出一种用于学习非线性动态模型的新方法，可用于解决难以处理的长期结构模型数据，并将该方法应用于运动捕捉和高维视频数据，获得了优于标准方法的结果。

May, 2009