Augmenting Physical Simulators with Stochastic Neural Networks: Case Study of Planar Pushing and Bouncing
원문 초록
An efficient, generalizable physical simulator with universal uncertainty estimates has wide applications in robot state estimation, planning, and control. In this paper, we build such a simulator for two scenarios, planar pushing and ball bouncing, by augmenting an analytical rigid-body simulator with a neural network that learns to model uncertainty as residuals. Combining symbolic, deterministic simulators with learnable, stochastic neural nets provides us with expressiveness, efficiency, and generalizability simultaneously. Our model outperforms both purely analytical and purely learned simulators consistently on real, standard benchmarks. Compared with methods that model uncertainty using Gaussian processes, our model runs much faster, generalizes better to new object shapes, and is able to characterize the complex distribution of object trajectories.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
잠재적 연료 반응성 추정을 통한 다중 연료 압축 착화(CI) 엔진의 연소 위상 제어를 위한 학습 기반 의사결정
Learning-Based Decision Making for Combustion Phasing Control in Multi-Fuel CI Engines with Latent Fuel Reactivity Estimation
다중 연료 압축 착화 엔진은 연료 유연성을 제공하지만, 세탄가(CN)로 표현되는 불확실하고 시변하는 연료 반응성을 도입하여 사이클 간 연소 위상 제어를 복잡하게 만듭니다. 본 연구는 잠재적 CN 변동 하에서 CA50 제어를 부분적으로 관측 가능한 순차적 의사결정 문제로 공식화하고, LinUCB, 히스토리 증강 컨텍스트 밴딧, 관측값 전용 DDPG, 순환 DDPG, 제안된 GRU 기반 강화학습(RL) 프레임워크를 포함하여 시간적 및 표현적 용량이 증가하는 컨트롤러를 체계적으로 평가합니다. 실험적 다중 연료 엔진 데이터로 학습된 가우시안 프로세스 대리 모델은 제어 가능하고 재현 가능한 평가 환경을 제공합니다. 결과에 따르면 근시적이고 고정 히스토리를 가진 밴딧 방법은 CN 변동 하에서 성능이 저하되고, 관측값 전용 RL은 잠재 상태 에일리어싱(aliasing)으로 인해 문제가 발생하며, CN이 빠르게 변할 때 일반적인 순환 구조만으로는 충분하지 않습니다. 제안된 프레임워크는 연소 이력에서 연료 반응성의 압축된 GRU 기반 표현을 학습하고, 오라클 CN 대신 이 추정된 신호를 기반으로 액터와 크리틱을 조건화합니다. 배포 시 사용 가능한 동일한 불완전한 연료 반응성 정보로 정책을 학습함으로써, 컨트롤러는 기존 온라인 추정 후 제어 파이프라인의 학습-배포 불일치를 방지합니다. 미지의 CN 궤적에 걸쳐, 정책은 학습 설정점에서 평균 절대 추적 오차 0.25° CA 미만으로 안정적인 CA50 제어를 달성하면서, 부드럽고 물리적으로 일관된 SOI 및 글로우 플러그 전력 구동을 생성합니다. 이러한 결과는 잠재적이고 지속적으로 변화하는 연료 동역학 하에서의 연소 제어는 독립적인 추정이나 일반적인 순환 구조 그 이상이 필요함을 보여줍니다. 연료 반응성 추론을 제어 정책 학습과 정렬함으로써, 제안된 프레임워크는 배포 중 사용 가능한 동일한 추정 상태를 사용하여 반응성 인지 의사결정을 가능하게 합니다.
머신러닝에서의 시계열 분석
Time Series Analysis in Machine Learning
시계열 분석은 머신러닝의 핵심 구성 요소로, 특히 시간적 데이터가 풍부한 천체물리학과 우주론 분야에서 중요하다. 이 장은 머신러닝 관점에서 시계열 분석 기법을 교육적으로 개괄한다. 시계열의 기본 개념(정상성, 자기상관, 계절성), 고전적 통계 모델(자기회귀, 이동 평균, ARIMA, 지수 평활, 상태공간 모델), 그리고 현대적 머신러닝 접근법을 다룬다. 특히 전통적 통계 방법이 어떻게 기반을 마련하는지 논의하고, 시계열을 위한 머신러닝 방법—특징(feature) 기반 회귀, 트리 기반 앙상블(ensemble) 방법, 은닉 마르코프 모델, 가우시안 프로세스, 심층 학습(deep learning) 모델(순환 신경망, 합성곱 네트워크, 트랜스포머)—을 탐구한다. 전반에 걸쳐 공통 원리를 강조하기 위해 다양한 도메인(천문학, 기상 예측, 금융 등)에서 가져온 예시를 활용한다. 이 장의 목표는 독자들이 자신의 연구에서 시계열 분석에 머신러닝 기법을 적용할 수 있도록 이론적 이해와 실용적 맥락을 모두 갖추도록 하는 것이다.
TGA: Two-level Group Attention for Assembly State Detection
Curvilinear-Coordinate-Based Object and Situation Assessment for Highly Automate
Function-on-function nonlinear autoregressive model (F2NARX) for probabilistic surrogate modeling of stochastic dynamical systems
동적 랜덤 효과 추론으로서의 그래디언트 플로우 최적화: 심층 학습에의 적용을 위한 검정 및 조기 종료
Gradient-Flow Optimization as Dynamic Random-Effects Inference: Testing and Early Stopping with Applications to Deep Learning
그래디언트 플로우 최적화는 보통 경험적 손실을 최소화하는 알고리즘적 절차로 간주되며, 학습 기간은 검증 또는 휴리스틱 조기 종료 규칙에 의해 선택된다. 우리는 그래디언트 플로우 학습을 위한 통계적 추론 프레임워크를 개발한다. 적합값(fitted values)이 시불변(time-invariant) 양반정치(positive semidefinite) 학습 연산자를 통해 진화할 때마다, 각 시점에서의 출력이 대응하는 랜덤 효과 모델 하의 최량 선형 불편 예측기(best linear unbiased predictor)와 동등함을 보인다. 학습 시간은 잔차 노이즈에서 구조적 신호로의 분산 재할당을 제어하는 분산 성분(variance-component) 매개변수가 된다. 이는 두 가지 학습 결정을 추론 문제로 전환한다: 학습이 필요한지 여부는 초기화 이상의 신호에 대한 분산 성분 검정이 되고, 얼마나 오래 학습할지는 학습 시간 분산 성분의 제한 최대 가능도(restricted maximum likelihood, REML) 추정이 된다. REML 유도 조기 종료 규칙은 최적화된 스펙트럴 손실이 학습 연산자 고유값과 무상관(decorrelated)이 되는 시점을 선택함을 보인다. REML 유도 조기 종료 시간의 점근적 예측 최적성은 고정 설계 표본 내 위험(fixed-design in-sample risk) 및 랜덤 설계 표본 외 위험(random-design out-of-sample risk)에 대해 확립된다. 고정 커널 그래디언트 체제의 심층 학습 모델은 우리 결과의 표준적 구체화를 제공한다. 수치 실험 및 UK Biobank 프로테오믹스 응용은 검증 분할 및 반복적 체크포인트 평가에 대한 의존도를 줄이면서 REML 유도 조기 종료 시간의 경쟁적 정확도를 보인다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.