该论文提出了一种利用机器人系统对称性学习动态的新方法,通过设计基于神经网络的对称对象组来考虑机器人系统的几何先验知识,实现了对少样本数据实现系统动态的扩展和精准的控制,同时与现有模型相比,该方法使用更少的训练数据实现了更好的泛化。
Oct, 2022
本文探讨了在物理学和机器学习领域中,研究对称群等变机器学习结构所带来的深度投资和收益,并讨论了应用这些方法的潜在益处和限制以及对不同物理应用的各种评估指标。
Mar, 2022
通过数据增强和镜像损失函数的两种方法,将对称不变性纳入深度强化学习中,可在各种具有挑战性的机器人任务中实现更快收敛和改进的学习行为。
Mar, 2024
提供了将对称性引入机器学习模型的一种统一的理论和方法框架,包括强制已知对称性、发现未知对称性和通过施加凸正则化函数来促进对称性等方面。
Nov, 2023
该研究探讨并展现了一种新的技术 ——“形态创新保护”,可协同优化机器人的结构和控制策略并避免局部最优解来提高机器人的行为性能,促进了自动化机器人设计和行为训练,同时为研究实体认知理论提供了实验检验的平台。
Jun, 2017
对于建模原子尺度物质性质的模型,以对称性作为归纳偏差普遍被采用。然而,非对称模型也能从数据中学习对称性,并对模型准确性有益。本研究测试了一个仅近似满足旋转不变性的模型在模拟气相、液态和固态水的实际场景中的性能,发现其在插值、大体积情况下几乎无影响。即使在外推气相预测中,该模型仍然非常稳定,尽管有对称性伪迹存在。我们还讨论了系统减小对称性破缺程度的策略,并评估其对观测量收敛性的影响。
Jun, 2024
该论文提出了一种新颖且通用的可微分任务驱动的机器人设计框架 Task2Morph,将任务特性与形态映射相结合,并将其嵌入到可微分的机器人设计过程中,通过使用梯度信息进行映射学习和整体优化,实验证明 Task2Morph 在效率和效果上优于缺乏任务驱动形态模块的 DiffHand。
基于物理建模的形态发展,结合机器学习框架,分析并预测结构稳定性下的时空复杂性,为疾病诊断和不稳定性容忍性设计提供指导。
Aug, 2023
我们提出了一种学习不同机器人之间的对应关系的方法,并通过一系列实验验证了该方法的有效性。
Oct, 2023
该论文提出了一种分层架构,通过上下文调节来更好地模拟机器人控制策略对其形态上下文的依赖关系,其中包括两个关键子模块:(1)使用超网络生成依赖形态的控制参数;(2)提出了一种形态依赖性的注意机制来调节机器人不同肢体之间的交互。实验结果表明,该方法不仅改善了各种训练机器人的学习性能,还以零样本方式更好地推广到未见过的形态。
Feb, 2023