通过长期外推与内插学习表示力学过程
计算机视觉与模式识别
2017-06-09 v2 人工智能
摘要
尽管牛顿力学的基本定律已为人熟知，但解释一个物理场景仍需手动用合适的方程及相关参数对问题进行建模。为了将此类模型用于人工智能，研究者手工设计了相关状态，然后利用仿真运行作为训练数据，以神经网络学习状态转移。遗憾的是，这类方法可能不适合对复杂的真实场景建模，因为在这些场景中手动构建相关状态空间往往极具挑战性。在本工作中，我们探究神经网络能否仅基于视觉数据隐式地学习真实力学过程的物理状态，从而实现长期物理外推。我们为此任务开发了一种循环神经网络架构，并以演化方差估计的形式刻画了由此产生的不确定性。我们评估了该设置，仅以图像为输入来外推球在不同形状和朝向的碗面上滚动的运动，并报告了与那些假设可访问内部物理模型及参数的方法相比具有竞争力的结果。
引用
@article{arxiv.1706.02179,
title = {Learning to Represent Mechanics via Long-term Extrapolation and Interpolation},
author = {Sébastien Ehrhardt and Aron Monszpart and Andrea Vedaldi and Niloy Mitra},
journal= {arXiv preprint arXiv:1706.02179},
year = {2017}
}
备注
arXiv admin note: text overlap with arXiv:1703.00247