ロボットにその場で考えることを教える(Teaching robots to think on the fly)

ad

2023-04-05 プリンストン大学

ロボットにその場で考えることを教える(Teaching robots to think on the fly)
The researchers are working to improve controls for flight systems and other applications that demand quick responses. Photo by Bumper DeJesus

プリンストン大学、テキサス大学、ノースイースタン大学の研究チームは、破損した航空機を着陸させるために、システムのコントロールを可能にするアルゴリズムを設計することを目指している。彼らの研究は、物理的なシステムに関する基本的な知識を得るためのものであり、その結果は、病気の感染拡大を制御したり、気候変動や種の生存に関するより正確な予測をするためにも役立つとされている。
研究チームは、データからダイナミックシステムの振る舞いを学ぶアルゴリズムを設計しており、航空機やロボット、病気の拡大など、様々な分野に適用される可能性がある。今後は、より複雑な問題に取り組み、システムをコントロールするアルゴリズムを開発する予定である。

<関連情報>

側面情報を用いた力学系の学習 Learning Dynamical Systems with Side Information

Amir Ali Ahmadi and Bachir El Khadir
SIAM Review  Published:9 February 2023
DOI:https://doi.org/10.1137/20M1388644

Abstract

We present a mathematical and computational framework for learning a dynamical system from noisy observations of a few trajectories and subject to side information. Side information is any knowledge we might have about the dynamical system we would like to learn, besides trajectory data, and is typically inferred from domain-specific knowledge or basic principles of a scientific discipline. We are interested in explicitly integrating side information into the learning process in order to compensate for scarcity of trajectory observations. We identify six types of side information that arise naturally in many applications and lead to convex constraints in the learning problem. First, we show that when our model for the unknown dynamical system is parameterized as a polynomial, we can impose our side information constraints computationally via semidefinite programming. We then demonstrate the added value of side information for learning the dynamics of basic models in physics and cell biology, as well as for learning and controlling the dynamics of a model in epidemiology. Finally, we study how well polynomial dynamical systems can approximate continuously differentiable ones while satisfying side information (either exactly or approximately). Our overall learning methodology combines ideas from convex optimization, real algebra, dynamical systems, and functional approximation theory, and can potentially lead to new synergies among these areas.

1602ソフトウェア工学
ad
ad
Follow
ad
タイトルとURLをコピーしました