基于组合对象的物理动力学学习方法
人工智能
2017-03-07 v2 机器学习
摘要
我们提出神经物理引擎(NPE)，一个用于学习直观物理模拟器的框架，其可自然地泛化至可变对象数量与不同场景配置。我们提出将物理场景分解为可组合的对象基表示，以及一种神经网络架构，其组合结构将对象动力学分解为成对交互。如同符号物理引擎，NPE被赋予对象及其交互的通用概念；作为神经网络实现，它可通过随机梯度下降训练以适配不同世界的特定对象属性与动力学。我们在二维世界中的简单刚体动力学上评估了方法的有效性。通过与结构化程度较低的架构比较，表明NPE对物理交互中结构的组合式表示提升了其预测运动、泛化至可变对象数量与不同场景配置、以及推断对象潜属性(如质量)的能力。
引用
@article{arxiv.1612.00341,
title = {A Compositional Object-Based Approach to Learning Physical Dynamics},
author = {Michael B. Chang and Tomer Ullman and Antonio Torralba and Joshua B. Tenenbaum},
journal= {arXiv preprint arXiv:1612.00341},
year = {2017}
}
备注
Published as a conference paper for ICLR 2017. 15 pages, 6 figures