复杂流体环境中基于物理信息表征的多模态策略
机器学习
2025-08-13 v2
摘要
流体环境中的控制是一个重要的研究领域，在水下机器人、航空航天工程和生物医学系统等多个领域有着广泛的应用。然而，在实践中，由于传感器限制和故障导致的观测稀疏或缺失，控制方法常常面临挑战。这些问题导致观测不仅稀疏，而且其数量和模态（例如，速度和压力传感器）也不一致。在这项工作中，我们提出了一种用于多模态控制策略的物理信息表征（PIR）算法，以利用复杂流体环境中的稀疏和随机观测。PIR将稀疏观测数据与偏微分方程（PDE）信息相结合，以提炼出流体系统的统一表征。主要思想是，PDE解由三个要素决定：方程、初始条件和边界条件。给定方程，我们只需要学习初始条件和边界条件的表征，这些条件定义了特定流体系统的轨迹。具体而言，它利用PDE损失来拟合神经网络，并利用基于随机数量和多种模态的观测计算的数据损失，将初始条件和边界条件的信息传播到表征中。这些表征是可学习的参数或编码器的输出。在实验中，即使存在缺失模态的情况，PIR也展示了与基线方法相比与真实特征更优的一致性。此外，PIR与强化学习相结合已成功应用于控制任务，其中机器人利用PIR学习的状态更快、更准确地从随机起始位置穿过复杂的涡街到达随机目标。
引用
@article{arxiv.2410.15250,
title = {Multi-modal Policies with Physics-informed Representations in Complex Fluid Environments},
author = {Haodong Feng and Peiyan Hu and Yue Wang and Dixia Fan},
journal= {arXiv preprint arXiv:2410.15250},
year = {2025}
}