剛体動力学の構造化学習:ロボット展望からの調査と統一見解【JST・京大機械翻訳】

Geist A. Rene; Trimpe Sebastian

プレプリント

J-GLOBAL ID：202202218202821081 整理番号：21P0067492

剛体動力学の構造化学習:ロボット展望からの調査と統一見解【JST・京大機械翻訳】

Structured learning of rigid-body dynamics: A survey and unified view from a robotics perspective

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (2件)： ,
資料名：
発行年： 2020年12月11日プレプリントサーバーでの情報更新日： 2021年04月16日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

機械システムダイナミックスの正確なモデルは,モデルベース制御と強化学習にとってしばしば重要である。完全データ駆動動力学モデルは,モデリングと解析のプロセスを容易化するが,訓練のためのかなりの量のデータを必要とし,しばしば,状態空間の部分にうまく一般化しない。事前解析知識とデータ駆動モデリングの組み合わせは,回帰モデルへの構造知識の包含がモデルのデータ効率と物理的完全性を改善するので魅力的な代替である。本論文では,剛体力学とデータ駆動モデリング技法を組み合わせた教師つき回帰モデルを調査した。剛体力学の共通記述の根底にある異なる潜在関数(運動エネルギーまたは散逸力のような)および演算子(微分演算子および投影行列のような)を解析した。この解析に基づいて,ニューラルネットワークやGauss過程のようなデータ駆動回帰モデルの組み合わせに関する統一見解を,解析モデルの事前確率と共に提供した。さらに,自動分化のような構造化モデルを設計するための重要な技術をレビューし,論じた。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , 【Automatic Indexing@JST】

人工知能

, , , , , , ,

前のページに戻る