从图像中无监督学习拉格朗日动力学以实现预测和控制
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
本文提出一种物理知识指导的神经网络模型,能够从图像序列中估算预测旋转刚体的 3D 动力学,多阶段预测管道映射图像到与 SO (3) 同胚的潜在表示,通过学习得到的哈密顿表示,利用哈密顿运动方程预测未来的潜在状态。
Sep, 2022
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
使用理论物理知识,以很少的数据为样本,提出了一种新的深度学习方法 Deep Lagrangian Networks (DeLaN),可用于机器人轨迹跟踪控制,能够在实时学习中更快速,更准确地进行模型学习, 并能更加可靠地对新的轨迹进行外推
Jul, 2019
使用时间滞后变分自编码器(VDE)对复杂的非线性蛋白质折叠等过程进行降维,并通过 saliency mapping 方法分析 VDE 所选择的用来描述动态过程的特征。
Nov, 2017
本文介绍了一种用于无人监督学习序列数据的框架 ——Kalman 变分自编码器,该框架在描述视频中的动态变化时不使用构成其帧的像素空间,而是用一个描述其物体非线性动态的隐藏空间。该模型在各种模拟的物理系统视频中进行端到端训练,在生成和缺失数据输入任务方面优于竞争方法。
Oct, 2017
本文介绍一种基于稀疏回归和自编码器的算法,通过在简化空间中寻找非线性系统的动力学描述,实现了均衡模型复杂性和描述能力,同时提升了解释性和推广能力,同时在多个高维非线性系统中测试了该方法的优势。
Mar, 2019
控制导向的、结构保持的学习关于高维物理系统的低维近似,重点研究机械系统。我们研究了在模型阶数降低中整合神经自编码器,同时保留哈密顿或拉格朗日结构。我们着重评估所考虑方法的性能,通过在包含数百个状态的大型质量 - 弹簧 - 阻尼网络上进行模拟和控制实验。实证结果显示,少于 5 个自由度的压缩潜在动态可以以约 4% 的相对总误差准确重构原始系统的瞬态和稳态行为,同时准确重构总能量。利用这种系统压缩技术,我们介绍了一种基于模型的控制器,利用压缩模型的数学结构来调节受强减调控机械系统的配置。
Dec, 2023
该论文探讨了如何将物理先验知识加入数据驱动模型,提高模型的质量和稳定性,并以 Lyapunov 分析为视角,通过研究液体流动预测的典型问题,验证了保持 Lyapunov 稳定性的模型可以提高泛化性能并减少预测不确定性。
May, 2019