深度拉格朗日网络：以物理作为深度学习的模型先验
机器学习
2019-07-11 v1 机器人学
系统与控制
系统与控制
机器学习
摘要
深度学习已在诸多任务上取得惊人成果，这些任务具备大量数据且泛化限于训练数据邻近区域。对于许多重要的现实应用，这些要求难以满足，需要关于任务领域的额外先验知识以克服由此产生的问题。特别是，为基于模型的控制学习物理模型，需要从更少样本（常在线实时采集）中稳健外推，且模型误差可能导致系统严重损坏。直接融入物理洞见使我们获得了一种新颖的深度模型学习方法，其外推性能良好且所需样本更少。作为首个示例，我们提出深度拉格朗日网络（DeLaN）作为一种施加了拉格朗日力学的深度网络结构。DeLaN 可用深度网络高效学习机械系统运动方程（即系统动力学），同时确保物理合理性。所得的 DeLaN 网络在机器人跟踪控制上表现优异。所提方法不仅在学习速度上超越先前的模型学习方法，且对新轨迹的外推显著改善且更稳健，并能在线实时学习。
引用
@article{arxiv.1907.04490,
title = {Deep Lagrangian Networks: Using Physics as Model Prior for Deep Learning},
author = {Michael Lutter and Christian Ritter and Jan Peters},
journal= {arXiv preprint arXiv:1907.04490},
year = {2019}
}
备注
Published at ICLR 2019