物理嵌入式网络:改善物理信息神经网络的融合和精度,用于实时应用

科学领域:

• 机器人技术 机器人技术 机器人技术
• 人工智能的人工智能
• 控制系统 控制系统

背景情况:

• 经典物理信息神经网络 (PINNs) 通过整合物理定律,提供可解释性和数据效率.
• 然而,PINN通常面临着对初始化和激活函数的融合和灵敏性的挑战.
• 多旋转器视觉伺服需要强大而高效的控制策略.

研究的目的:

• 引入新的物理嵌入式神经网络 (PENN) 架构,用于在多旋转机中增强视觉伺服.
• 解决经典PINNs的局限性,特别是不良的融合和敏感性.
• 提高基于学习的控制中的培训效率和预测准确性.

主要方法:

• 提出了两个增强的架构:分层 PENN (L-PENN) 和神经元 PENN (N-PENN).
• 嵌入名义物理动态直接进入神经网络结构.
• 进行了黑森矩阵的光谱分析,以证明改进的收特性.
• 在多轮机平台上进行实验验证,用于视觉伺服任务.

主要成果:

• 与传统PINNs相比,L-PENN和N-PENN显示出明显改善的收行为.
• 实验验证显示出优越的跟踪性能和缩短的训练时间.
• 拟议的PENN架构的性能优于经典PINN和其他基于学习的控制策略.
• 基准结果证实了新型架构的有效性.

结论:

• 物理嵌入式神经网络 (PENN),特别是L-PENN和N-PENN,为多轮视觉伺服提供了比经典PINN的实质性改进.
• 物理动态的直接嵌入提高了训练效率和预测准确度.
• 对L-PENN和N-PENN的选择标准是根据特定应用需求提供的.