从图像中无监督学习拉格朗日动力学用于预测与控制
机器学习
2022-09-02 v3 系统与控制
系统与控制
机器学习
摘要
近期利用神经网络对物理系统动力学建模的方法通过强制拉格朗日或哈密顿结构来改善预测与泛化能力。然而，当坐标嵌入于图像等高维数据中时，这些方法要么丧失可解释性，要么只能应用于某个特定实例。我们提出了一种新的无监督神经网络模型，该模型从图像中学习拉格朗日动力学，其可解释性有益于预测与控制。该模型在广义坐标上推断拉格朗日动力学，而广义坐标与坐标感知变分自编码器（VAE）同时学习。该VAE被设计用于考虑平面内由多个刚体组成的物理系统的几何结构。通过推断可解释的拉格朗日动力学，模型学习了物理系统属性，如动能与势能，从而能够在图像空间中实现动力学的长期预测并综合基于能量的控制器。
引用
@article{arxiv.2007.01926,
title = {Unsupervised Learning of Lagrangian Dynamics from Images for Prediction and Control},
author = {Yaofeng Desmond Zhong and Naomi Ehrich Leonard},
journal= {arXiv preprint arXiv:2007.01926},
year = {2022}
}
备注
This version corrects an error in Equation (3) of the 2020 NeurIPS Proceedings paper