Core Concepts
ニューラルODEを用いて、複数の引き付け点を持つ安定な動力学システムを学習する手法を提案する。ディフェオモーフィックな出力マッピングを用いて、出力空間の引き付け点を直接指定できるようにし、時間に依存しない軌道類似性を捉えるための損失関数を導入する。
Abstract
本論文では、ニューラルODEを用いて、複数の引き付け点を持つ安定な動力学システムを学習する手法を提案している。従来の動力学システム学習手法には以下の3つの課題があった:
単一の引き付け点しか表現できず、多様なタスクを学習できない
状態微分情報が必要で、データ収集が複雑
状態が直接観測可能であることを前提としている
提案手法では、以下の点を改善している:
複数の引き付け点を持つ動力学システムを学習可能
状態微分情報を必要としない
状態が直接観測できない場合でも学習可能
具体的には、ニューラルODEのフレームワークを用いて動力学システムを表現し、安定性を保証するための修正項を導入している。また、出力空間の引き付け点を直接指定できるようにするためのディフェオモーフィックな出力マッピングを提案している。さらに、時間に依存しない軌道類似性を捉えるための損失関数として平均ハウスドルフ距離を使用している。
実験では、公開データセットおよびロボットの物体把持タスクを用いて提案手法の有効性を示している。提案手法は、既存手法と比較して優れた性能を示し、複数の引き付け点を持つ動力学システムの学習が可能であることを確認した。
Stats
提案手法は、既存手法と比較して、公開データセットの軌道生成タスクにおいて優れた性能を示した。
ロボットの物体把持タスクでは、91.27%の成功率を達成した。
Quotes
"ニューラルODEを用いて、複数の引き付け点を持つ安定な動力学システムを学習する手法を提案する。"
"ディフェオモーフィックな出力マッピングを用いて、出力空間の引き付け点を直接指定できるようにし、時間に依存しない軌道類似性を捉えるための損失関数を導入する。"