在可微根 - 欧拉算法中编码物理约束
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
研究动态图的表示学习,提出了 Graph Neural Controlled Differential Equation (GN-CDE) 模型,通过深度神经网络参量化向量场和交互导数,对节点嵌入轨迹的动态演化进行建模,实现了在动态演化的图上表达动态的能力。
Feb, 2023
本文提出了一种基于稳定化术语的神经微分方程方法:稳定化神经微分方程,用于实现关于神经微分方程的约束条件,提出的方法简单易行,适用于常见的神经微分方程模型,并能够超越现有方法的应用范围。
Jun, 2023
本文介绍了一种基于神经网络的不同 iable rigid-body 物理引擎来学习动力学关系以及对其进行自动发现,替代了常规的解析式建模,使用神经网络能加速基于模型的控制架构,提高建模和控制的准确度。
Nov, 2020
本文提出了一种可实践的学习框架,能够输出统一的神经网络控制器,具有显著提高任务复杂性和多样性的能力,并使用可微物理学实现训练。实验结果表明,在可微弹簧和材料点方法的模拟、复杂的步态任务和多个机器人设计方案上,我们的学习框架优于强化学习,能够更快地收敛,并且用户可以使用我们系统中训练的统一的神经网络控制器交互式控制软体机器人的运动并在多个目标之间切换。
Jun, 2022
我们提出一种基于神经网络的图演化算法,在解决自动机器人设计中的组合问题和评估困难问题方面具有优越性能。与以往方法不同,我们使用图神经网络对控制策略进行参数化,同时运用包含模型不确定性的图突变技术,在探索与开发之间达到平衡,从而在单一机器上一天之内高效地解决搜索问题。
Jun, 2019
本文提出了一种基于强化学习和图卷积神经网络的动态虚拟网络嵌入算法,将自定义的适应度矩阵和适应值作为目标函数,实现了高效的动态虚拟网络嵌入,有效降低了资源碎片化程度,并验证了该算法具有优秀的灵活性和基本 VNE 特性。
Feb, 2022
本研究提出一种适用于低频轨迹的递归不同 iable 物理引擎,该引擎的训练使用了 NASA 的超级球形机器人的 MuJoCo 模型,实验证明该引擎只需原系统训练数据的 1%即可将学习策略转移到原系统并成功进行类似的运动。
Feb, 2022