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
-
新的MiNO方法学习偏微分方程传播子，以改进科学机器学习
研究人员开发了MiNO，一种通过关注传播子而非解场或映射来学习偏微分方程（PDE）的新方法。该方法利用eikonal方程来处理相位，利用输运方程来处理幅度，通过振荡积分来重构解。与传统的物理信息神经网络和监督傅里叶神经网络算子相比，MiNO在涉及不连续对流的基准测试中表现出更高的准确性和效率，并且无需重新训练即可泛化到未见的初始条件。
-
新型能量结构化世界模型增强了物理一致的运动规划
研究人员开发了一种新颖的能量结构化潜在世界模型（ELWM），以改进具身AI中物理一致的运动规划。该模型在其潜在状态中显式编码能量和动量，通过因果转换确保遵守现实世界动力学。当与用于导航策略的物理条件神经时间场（PC-NTF）集成时，ELWM与现有方法相比，显著减少了运动预测误差和碰撞率，同时提高了导航成功率和路径长度效率。
-
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。