Dec, 2023

机器人系统的动力学谐波分析：在数据驱动的库普曼建模中的应用

PDF
TL;DR使用谐波分析将对称机器人系统的状态空间分解为正交等型子空间，我们利用谱分析的性质，提出了一个等变深度学习架构来学习系统动力学的全局线性模型，进而证明了该架构在合成系统和四足机器人的运动动力学上具有增强的泛化性、样本效率和可解释性。
harmonic analysissymmetric robotic systemsdynamics harmonic analysisequivariant deep-learning architecturequadrupedal robot
发现论文，激发创造
  • 动力系统的现代 Koopman 理论

    介绍了最新的 Koopman 算子理论及算法发展，重点强调了这些方法在各种应用领域中的作用，同时讨论了机器学习中的重大进展和挑战，这些可能推动未来的发展并显著转变动力系统的理论面貌。

    Feb, 2021

  • 学习组合 Koopman 算子用于基于模型的控制

    本文提出了使用图神经网络对对象进行编码，使用分块的线性转移矩阵来规范化对象之间的共享结构，从而学习组合型 Koopman 操作符，以实现非定常系统的建模与控制。我们的实验结果表明，与现有的基线相比，所提出的方法具有更好的效率和泛化能力。

    Oct, 2019

  • 深度学习神经网络表征非线性动力系统的 Koopman 算符

    这篇文章提出了一种基于深度学习的方法来学习非线性动力学系统的 Koopman 算子，自动选择高效的深度字典来描述这些系统，并成功预测了未来 100 步的量化预测和 400 步的定性振荡行为。

    Aug, 2017

  • 子空间动态模态分解用于随机 Koopman 分析

    本文提出了子空间动态模式分解（subspace DMD）作为一种算法，用于带有观测噪声的随机动力系统的 Koopman 分析，并研究了其实证性能。

    May, 2017

  • 基于深度学习的轨道问题动力学识别与线性化 —— 使用库普曼理论

    通过深度学习的 Koopman 理论，我们提出了一个数据驱动的框架，用于同时对二体问题和圆形受限三体问题进行系统识别和全局线性化，并将其线性化为线性时不变系统。该论文展示了 Koopman 算子具有泛化到各种其他二体系统的能力，而无需重新训练。我们还证明了同样的架构可以用于准确学习近似圆形受限三体问题的 Koopman 算子。

    Mar, 2024

  • 将 Koopman 理论推广以允许输入和控制

    我们将 Koopman 算子理论做出了新的泛化，它融合了输入和控制的影响，并将其应用于动态模式分解。我们对非线性动态系统进行了证明，展示了如何将其泛化到动态模式分解与控制，以及如何在可操纵系统中产生输入 - 输出模型。

    Feb, 2016

  • 自动微分在数据驱动的动力建模中的预测能力提升：Koopman 和神经 ODE 方法

    通过数据驱动的近似方法预测由复杂动力学特征的系统的时间演化是一个有前景的研究方向。本文介绍了一种改进的扩展动态模式分解与字典学习方法，同时确定可观测量的字典及其对应的 Koopman 算符的近似值，并通过伪逆使用自动微分来促进梯度下降计算。我们通过对比 Koopman 方法、状态空间方法和纯 Koopman 方法在不同系统中的性能表现，发现我们的方法显著优于传统方法，并且当 Koopman 方法在每个时间步骤在状态和可观测量空间之间交替时，与状态空间方法的预测结果相当。

    Oct, 2023

  • 学习 Koopman 不变子空间用于动态模态分解

    该研究提出了一种基于数据驱动的 Koopman 谱分析方法，该方法通过最小化线性最小二乘回归的残差平方和来估计一组将数据转换为线性回归适合的形式的函数，并采用神经网络实现并在非线性动力系统及其应用中进行了实证评估。

    Oct, 2017

  • Koopman 算子动态模型：学习、分析和控制

    本篇论文探讨了 Koopman 算子理论在处理非线性系统方面的应用，着重介绍了 Koopman 算子动力学模型中各种现有方法的优缺点，分析了 Koopman 算子理论与系统理论概念的关系及其在控制系统建模中的潜力，同时讨论了当前的挑战和未来的发展方向。

    Feb, 2021

  • 应用库普曼理论

    本文提出了一种关于动力学系统的新框架，基于可观测的动力学图像并引入了 Koopman 算符，以解决高维、不确定的系统难题，并使其扩展和改进为更广泛的应用提供引导。

    Jun, 2012