用拉格朗日图神经网络学习铰接刚体动力学
机器学习
2022-11-14 v2
摘要
拉格朗日与哈密顿神经网络（分别为 LNN 与 HNN）编码了强归纳偏置，使其显著优于其他物理系统模型。然而，这些模型迄今大多局限于摆与弹簧等简单系统，或陀螺与刚性转子等单一刚体。本文提出拉格朗日图神经网络 (LGNN)，可通过利用铰接刚体的拓扑结构学习其动力学。我们以将杆建模为刚体的绳索、链条和桁架的动力学学习展示 LGNN 的性能。LGNN 还展现出泛化能力——在少量段链条上训练的 LGNN 可泛化至模拟具有大量链接与任意链接长度的链条。我们还表明 LGNN 可模拟未训练过的包括杆与链条的未知混合系统。具体而言，我们展示 LGNN 可用于建模复杂真实结构（如张拉整体结构的稳定性）的动力学。最后，我们讨论质量矩阵的非对角性质及其在复杂系统中泛化的能力。
引用
@article{arxiv.2209.11588,
title = {Learning Articulated Rigid Body Dynamics with Lagrangian Graph Neural Network},
author = {Ravinder Bhattoo and Sayan Ranu and N. M. Anoop Krishnan},
journal= {arXiv preprint arXiv:2209.11588},
year = {2022}
}
备注
Accepted at NeurIPS 2022