May, 2024

增强物理学：一种利用机器学习技术从静态图示中创建交互性物理仿真的工具

PDF
TL;DR我们介绍了增强物理学，一种利用机器学习技术从静态教科书图表中创建交互式物理模拟的工具。通过计算机视觉技术，如分割任何物和 OpenCV，我们的基于 Web 的系统使用户能够半自动从物理教科书中提取图表，然后根据提取的内容生成交互式模拟。这些交互式图表无缝集成到扫描的教科书页面中，促进了各种物理概念（包括重力、光学、电路和运动学）的交互和个性化学习体验。在与七名物理教师进行的引导性研究的基础上，我们探索了四种关键的增强技术：1）增强实验，2）动态图表，3）双向操纵工具，4）参数可视化。我们通过技术评估、可用性研究（N=12）和专家访谈（N=12）对我们的系统进行评估。研究结果表明，我们的系统能够在物理教育中促进更有吸引力和个性化的学习体验。
augmented physicsinteractive physics simulationscomputer vision techniquestextbook diagramspersonalized learning experiences
发现论文，激发创造
  • 增强数学：通过增加静态数学教材制作基于增强现实的可探索解释

    通过机器学习为无需编程的人员提供以增强现实为基础的数学书籍，通过提取内容并进行操作，使教师和学生可以将现有的数学教材转化为个性化的可交互解释，研究结果表明我们的系统可以提供更具吸引力的数学学习体验。

    Jul, 2023

  • 通过观察视觉场景理解物理方程

    该论文介绍了一种新的算法，利用由 Observer Engine 和 Physicist Engine 组成的流程来从视频中推断出物理规律和数学公式，实验结果表明该算法能够有效地应用在不同的物理世界中。

    Nov, 2018

  • 通过机器学习支持的多物理仿真优化改进

    这篇论文介绍了一种用于训练、自我优化和自我组织的代理模型方法论框架，用于逼近和加速多物理模拟，通过与两种优化算法和一种综合评估策略的结合训练和优化管道的性能评估，实验证明了代理模型能够准确逼近基础模拟，并使用可解释的 AI 技术分析代理模型并进行预选择策略以确定真实示例中最相关的特征。

    Sep, 2023

  • ExAug: 通过几何经验增强的机器人导航策略

    本研究提出了一种新颖的框架 ExAug，通过利用点云来创造更复杂的结构增强，并利用机器学习中的生成图像和几何惩罚来帮助不同机器人平台进行新任务的训练，实现在不同环境中对新机器人平台的控制策略训练。

    Oct, 2022

  • Physics-as-Inverse-Graphics: 从视频中无监督地估计物理参数

    本文提出了一种基于物理 - 逆向图像学的方法，可以从视频中无监督地估算系统的物理参数，实现长期视频预测和基于视觉的模型预测控制，并在交互物体系统的长期未来帧预测中显著优于相关无监督方法，还实现了控制器的可解释性提供了独特的能力在目标驱动控制和物理推理方面的零数据适应。

    May, 2019

  • 利用机器学习解决物理系统模拟中的计算难题

    本研究提出了一个基于机器学习的数据生成框架，旨在辅助那些利用模拟来研究各种物理系统或过程的研究人员。我们的方法包括两个步骤：首先，我们使用有限的模拟数据训练监督预测模型来预测模拟结果；然后，我们使用强化学习代理来生成准确的、类似于模拟的数据，从而更有效地探索参数空间并深入了解物理系统或过程。我们通过两个案例研究：一个关注地震破裂物理，另一个关注新材料开发，证明了所提出框架的有效性。

    May, 2023

  • 物理增强机器学习：动力系统研究的一个立场文件

    本篇综述研究物理增强的机器学习 (PEML) - 也被称为科学机器学习 - 特别关注开发用于解决动力系统挑战的 PEML 策略，讨论了 PEML 方法的三个广泛分类 (物理指导、物理编码和物理信息) 以及在涉及复杂动力系统的工程应用中开发 PEML 策略用于指导高风险决策的优势和挑战。

    May, 2024

  • SimAug：从模拟中学习鲁棒的轨迹预测表示

    本文使用 3D 仿真数据进行预测未来人物轨迹，提出了一种通过增加仿真数据以学习鲁棒表示的新方法，可以更好地推广到未见过的真实数据，并在三个真实世界基准下实现了有希望的结果并在 Stanford Drone 和 the VIRAT/ActEV 数据集中取得了最先进的表现。

    Apr, 2020

  • 利用基于物理的生物力学模拟进行步态数据增强

    本文介绍了一种基于 OpenSIM 的新型步态数据增强框架，通过仿真出符合人体行走生物力学约束的步态序列，增强 WBDS 和 CASIA-B 两个数据集，并在 3D 性别步态分类和 2D 步态个人识别中训练步态分类器，实验结果表明我们的增强方法可以提高基于模型的步态分类器的性能，使步态个人识别准确率达到最高 96.11％。

    Jul, 2023

  • 物理学中的机器学习简要指南

    机器学习在物理学领域的应用与挑战概述。

    Oct, 2023