Feb, 2019

机械系统结构学习的通用框架

PDF
TL;DR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。
发现论文，激发创造
  • 机器人学习和控制的结构化机械模型

    本文说明了使用结构化机械模型取代黑盒神经网络在机器人动力学建模上具有的优势，包括数据效率、易于应用先前知识和易于与基于模型的控制技术结合使用。在多个仿真机器人领域中，该方法可以从有限的数据中更好地推广和产生更可靠的基于模型的控制器。

    Apr, 2020

  • 基于物理知识约束的神经网络用于动力系统建模

    利用物理学基础知识作为先验知识，通过将物理学基础知识注入到神经网络结构中，从轨迹数据中学习动力学模型，并在模型的训练过程中通过增广拉格朗日法强制实施物理学知识约束，实验证明该做法比不包括先验知识的基线方法在相同的训练数据集上能够将系统动力学预测准确率提升两个数量级。

    Sep, 2021

  • 一个可微的牛顿欧拉算法用于多体模型学习

    本文介绍一种可用于多体机器人动力学的混合模型，采用计算图架构将牛顿欧拉方程体现出来，实现动态几何转化为有效的计算结构，结合灰盒架构进行系统参数辨识。同时，将动力学参数和运动学参数进行联合建模，与黑盒组件相结合取得了较好效果。

    Oct, 2020

  • 刚体动力学的结构化学习：从机器人学角度的调查和统一视角

    本文综述了一些通过将数据驱动建模与先前的解析知识相结合的监督回归模型，以在具有刚体力学描述的系统动力学建模中提高数据的效率和物理完整性，并分析了刚体力学的各种潜在函数和算子。

    Dec, 2020

  • 使用神经网络预测机械臂的关节力矩

    准确的动态模型对于许多机器人应用至关重要。该研究采用基于机器学习技术（如神经网络）的 “黑盒子” 方法，在一个真实的六自由度操作器上比较了不同的神经网络架构和超参数选择策略，证明级联神经网络在准确度和性能方面表现最佳。

    Mar, 2024

  • 可解释人工智能在力学中的应用：基于物理信息的神经网络用于本构模型

    本文探讨了物理信息神经网络和解释性人工智能的方法，通过对机械数据的训练，使用主成分分析法解释神经网络的高维表示，并能为新材料的数值和分析闭合形式解决方案提供有力的支持。

    Apr, 2021

  • 通过显式约束简化 Hamiltonian 和 Lagrangian 神经网络

    通过将系统嵌入笛卡尔坐标并使用拉格朗日乘子显式地强制执行约束，本文证明了相较于使用广义坐标来编码系统约束的方法，使用笛卡尔坐标可以在准确度和数据效率方面提高 100 倍。

    Oct, 2020

  • 从数据中发现可解释性动力系统的贝叶斯框架

    使用稀疏贝叶斯方法从有限数据中学习可解释的物理系统的 Lagrangian 描述，自动进行 Hamiltonian 的蒸馏，提供观测系统的常微分方程 (ODE) 和偏微分方程 (PDE) 的描述。

    Oct, 2023

  • 利用人工智能工具重建观测到的机械运动

    利用神经网络的数学模型和机械系统的物理规律来模拟物体运动的曲线轨迹，并在数值模拟中满足所观测到的所有规律，从而在实验数据上成功地再现简正运动和混沌运动。

    Feb, 2022

  • 可解释性的物理系统元学习

    机器学习方法在科学研究中可成为有价值的辅助工具，通过利用学习问题的结构，提出了一种多环境泛化的简化学习模型，该模型能够识别系统的物理参数并实现可解释性学习，展示了竞争性泛化性能和低计算成本，并在物理参数诱导适应和自适应控制等领域得到了有趣应用。

    Dec, 2023