基于视觉的三维移动目标非线性动力学发现
本文介绍了一种端到端的无监督深度学习框架,基于录制的视频可以揭示物体运动的明确控制方程,在物理坐标系中建立其物理规律,并通过数值积分器和稀疏回归模块,同时解决了文献中尚无现有方法适用的问题,并成功地应用于几个动态系统的记录。
May, 2022
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
通过从参考视频中提取对象形状和运动的新型非参数形状重建方法,结合物理模拟和匹配运动进行驱动,实现将参考视频中的对象运动转移到各种不同类别的生成的 3D 高斯函数,确保精确且可定制的运动转换。
May, 2024
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
提出了一种用于无监督学习运动方程的方法,包括用 Pareto 最优符号回归找出描述运动的微分方程,以及使用主成分分析从潜在空间中移除额外的维度,从而重新发现未标记移动对象的笛卡尔坐标。
May, 2020
本文提出了一种数据驱动的方法,利用自监督的神经网络来构建 4D 时空图像,可通过手持多摄像头拍摄的视频进行可视化,并在视频中创建虚拟摄像机以探索时间和视角,在移动摄像头和编辑视频等方面得到验证。
May, 2020
该研究介绍了一种名为 Newtonian Neural Network 的中间物理抽象概念,可以从静态图像中学习物体的动态运动以及感受上的力。通过新构建的 Visual Newtonian Dynamics 数据集测试,显示该方法能够可靠地从单个图像中预测查询物体的动态,并支持以速度和力向量的方式进行预测的物理推理。
Nov, 2015