校正 Koopman 表示
机器学习
2023-11-27 v2 人工智能
机器人学
系统与控制
系统与控制
摘要
Koopman 表示旨在学习非线性动力系统（NLDS）的特征，使潜空间中的动力学线性化。理论上，此类特征可用于简化 NLDS 建模与控制中的诸多问题。本文研究该问题的自编码器表述，及其用于建模动力学的不同方式，特别是长时域未来状态预测。我们发现潜空间未来状态预测的若干局限，并提出一种推理时机制，称为周期性重编码（Periodic Reencoding），以忠实捕捉长期动力学。我们在低维与高维 NLDS 实验中从解析与经验两方面论证了该方法。
引用
@article{arxiv.2310.15386,
title = {Course Correcting Koopman Representations},
author = {Mahan Fathi and Clement Gehring and Jonathan Pilault and David Kanaa and Pierre-Luc Bacon and Ross Goroshin},
journal= {arXiv preprint arXiv:2310.15386},
year = {2023}
}