基于深度隐藏物理模型的自主系统状态与动力学恢复：基于部分状态解
计算机视觉与模式识别
2024-09-09 v3 人工智能
摘要
在本文中，我们探讨了深度隐藏物理模型（M. Raissi 2018）在自主系统中的性能。这些系统由一组不显式依赖于时间的常微分方程描述，可在自然界找到，并用于建模化学浓度、种群动力学、n-body问题等。在本工作中，我们考虑的状态动力学是未知的，即我们不清楚状态将如何演化。我们同时使用神经网络来近似状态和动力学。我们考虑了2D线性/非线性和Lorenz系统的示例。我们观察到，即使在不知道所有状态信息的情况下，我们仍然可以估计某些已知状态信息的状态的动力学。
引用
@article{arxiv.2408.02049,
title = {3D Single-object Tracking in Point Clouds with High Temporal Variation},
author = {Qiao Wu and Kun Sun and Pei An and Mathieu Salzmann and Yanning Zhang and Jiaqi Yang},
journal= {arXiv preprint arXiv:2408.02049},
year = {2024}
}
备注
Accepted by ECCV24