利用物理结构化神经网络学习接触动力学
机器学习
2022-08-16 v2 机器人学
机器学习
摘要
学习包含不同物体间接触的动力学系统的物理结构化表示，是基于学习的机器人方法中的一个重要问题。黑盒神经网络可以学习近似表示不连续动力学，但它们通常需要大量数据，并且在较长时间尺度预测时经常出现病态行为。在这项工作中，我们利用深度神经网络与微分方程之间的联系，设计了一系列用于表示物体间接触动力学的深度网络架构。我们表明，这些网络能够以数据高效的方式，从噪声观测中学习不连续接触事件，而这一设置在传统上对于黑盒方法和近期受物理启发的神经网络而言是困难的。我们的结果表明，理想化的触觉反馈形式——生物系统严重依赖之——是使该学习问题易于处理的关键组成部分。结合通过网络架构引入的归纳偏置，我们的技术能够从观测中准确学习接触动力学。
引用
@article{arxiv.2102.11206,
title = {Learning Contact Dynamics using Physically Structured Neural Networks},
author = {Andreas Hochlehnert and Alexander Terenin and Steindór Sæmundsson and Marc Peter Deisenroth},
journal= {arXiv preprint arXiv:2102.11206},
year = {2022}
}