Eikonal equation
PulseAugur coverage of Eikonal equation — every cluster mentioning Eikonal equation across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
PoseShield 解决姿态估计中的人体自碰撞问题
研究人员开发了 PoseShield，一种解决人体姿态估计和运动生成中自碰撞问题的新颖方法。该技术在 SMPL 姿态空间内直接定义了神经碰撞约束，将校正表述为约束优化问题。PoseShield 利用 Eikonal 正则化来提高数值稳定性和鲁棒性，在低维姿态空间而非网格空间中运行。该方法还可以作为运动序列的后处理碰撞校正器，无需重新训练原始模型，在新基准测试中取得了 95.8% 的成功率。
-
新的 eikonal 笼罩法增强机器人操作规划
研究人员开发了一种名为“面向全臂操作规划的物理信息 eikonal 笼罩法”的新方法。该方法解决了涉及与物体长时间接触的复杂机器人运动规划的挑战，而这些接触很难准确建模。通过将笼罩重新表述为最小时间逃逸问题，该方法创建了一个连续的逃逸时间场，可以使用物理信息神经网络进行近似。这使得更平滑、可微分的表示能够增强操作规划，提高对干扰和接触模型不匹配的鲁棒性。
-
新的机器人操作规划方法使用物理信息神经网络
研究人员开发了一种名为物理信息 eikonal 围堵法（Physics-Informed Eikonal Caging）的新方法，用于机器人全臂操作规划。该方法将“围堵”对象的概念重新表述为最小时间逃逸问题，创建了一个连续的逃逸时间场。然后，使用物理信息神经网络来近似该场，从而提供一个平滑且可微分的表示，可以集成到规划算法中。该方法通过仿真和真实世界实验证明，能够提高操作对接触模型不准确性和干扰的鲁棒性。
-
深度神经网络被视为离散动力系统
一篇新的研究论文提出将深度神经网络（DNNs）视为离散动力系统，并将其与神经积分方程及其偏微分方程（PDE）形式进行类比。该研究将Burgers方程和Eikonal方程的数值解与物理信息神经网络（PINNs）的解进行比较，表明PINNs提供了一条不同的计算路径。虽然PINNs可能比传统方法使用更多的参数且可解释性较差，但在基于网格的方法失效的高维问题中，其灵活性可能具有优势。