机器人学习和控制的结构化机械模型
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
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
研究利用特征空间和世界模型提高机器人在可变形物体折叠任务中的学习效率和性能,结果发现使用特征点可以将最佳模型的性能提升 50%,学习效率也可以得到提升。
Oct, 2022
本文介绍机制性神经网络,它是一种适用于科学中的机器学习应用的神经网络设计。它通过在标准架构中加入新的机制性模块,明确地学习代表物理方程的微分方程,揭示数据的基本动态,并增强数据建模的可解释性和效率。我们的方法的核心是一种新颖的放松线性规划求解器 “NeuRLP”,受到一种将线性常微分方程组化简为线性规划求解的技术的启发。这种方法与神经网络结合得很好,并超越了传统常微分方程求解器的局限,实现了可扩展的 GPU 并行处理。总的来说,机制性神经网络在科学机器学习应用中展示了它们的多样性,能够灵活处理从方程式发现到动态系统建模的任务。我们证明了它们在分析和解释各种复杂科学数据方面的全面能力,并在各个应用中展示出优于专门的最先进方法的显著性能。
Feb, 2024
使用深度神经网络从观测中学习预测模型是解决现实世界规划和控制问题的一种有前景的新方法。本文提出了一个新的集成模型学习和预测控制框架,通过逐渐稀疏化神经网络以有效优化算法进行端到端的优化,从而在保证预测准确性的基础上取得更好的闭环控制性能。
Dec, 2023
本文介绍了利用已知系统结构和先前的物理知识创造受约束的深度神经动力系统模型的具有不同程度领域知识的控制定向参数模型。使用通用微分方程构造了 AUV 动力学的数据驱动的黑盒和灰箱表示,评估了不同初始条件和控制输入的学习模型的预测性能,以评估其准确性,泛化性和控制适用性。
Aug, 2022
通过模型无关的机器学习框架和储水计算方法,实现对双臂机器人操纵器的跟踪控制,仅使用部分观测状态,并且该控制框架在周期性和混沌信号方面表现出有效性和对测量噪声、干扰和不确定性的鲁棒性。
Sep, 2023
使用神经场将机器人的运动学作为神经隐式查询模型来自建模,能够实现比现有方法更广泛的应用,从而为自主代理提供必要的自我建模功能,并在运动规划任务中展示该模型的能力。
Oct, 2023
本研究提出了一种基于模型的强化学习算法,将以前任务的先验知识与在线动态模型适应相结合,实现了高效学习,并且成功地应用于各种复杂机器人操纵任务。
Sep, 2015