PulseAugur
中
实时 14:17:30
实体 Hamilton--Jacobi Equations and Distance Functions on Riemannian Manifolds

Hamilton--Jacobi Equations and Distance Functions on Riemannian Manifolds

PulseAugur coverage of Hamilton--Jacobi Equations and Distance Functions on Riemannian Manifolds — every cluster mentioning Hamilton--Jacobi Equations and Distance Functions on Riemannian Manifolds across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
2
90 天内 4
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 4
层级分布 · 90 天
主题
情绪 · 30 天

1 天有情绪数据

最近 · 第 1/1 页 · 共 4 条
  1. TOOL · CL_324674 ·

    EpiFlow 通过平衡性能和安全性,推动了安全离线强化学习的发展

    研究人员开发了 EpiFlow,这是一种新颖的离线强化学习方法,旨在平衡关键应用中的安全性和性能。与以往在更好结果上牺牲安全性或过于保守的方法不同,EpiFlow 使用基于具有硬状态约束的最优控制的公式。该方法学习一个图上可行性价值函数,并采用流匹配来提取策略,从而能够将安全保证与数据驱动的优化进行更原则性的整合。在船只导航和注重安全的 gym 任务等基准测试上的实证结果表明,EpiFlow 在最少的安全违规情况下实现了有竞争力的回报。

  2. TOOL · CL_312910 ·

    新论文使用神经网络实现机器人实时安全导航

    一项新的论文介绍了一种在未知和动态环境中实现机器人实时导航的方法,该方法通过在Hamilton-Jacobi (HJ) 可达性解上训练神经隐式表示来实现。这种方法允许基于优化的控制器实时访问安全信息,这对于在几何检查因速度或运动动力学不足以避免碰撞时至关重要。学习到的表示被用作模型预测控制和安全滤波器的约束,与传统方法相比,在具有移动障碍物和短预测范围的场景中,显示出更好的避碰能力。

  3. TOOL · CL_252156 ·

    VertexCBF框架通过新的神经控制屏障函数增强机器人安全性

    研究人员推出了一种名为VertexCBF的新型框架,旨在增强自主机器人神经控制屏障函数(CBF)的安全性与有效性。该新方法使用结合了物理信息和监督学习技术的神经网络来近似Hamilton-Jacobi价值函数。通过利用控制仿射动力学和凸多面体控制集,VertexCBF通过GPU并行树搜索高效地生成监督点,确保学习到的CBF保持在指定约束内。在15个系统上的评估以及与移动机器人的硬件实验表明,与现有基线相比,VertexCBF即使在复杂…

  4. TOOL · CL_98006 ·

    新理论将激波动力学与神经网络训练联系起来

    研究人员在激波理论与人工神经网络中随机梯度下降的学习动力学之间建立了一个数学联系。通过应用微分几何、李群理论和流体力学原理,他们证明了这些网络的有效动力学可以用商流形上的粘性Hamilton--Jacobi方程来描述。此外,粗粒化损失函数的梯度遵循一个Burgers型方程,表明激波的形成是严格可能的。该框架已应用于多层感知机、卷积神经网络、Transformer和均值场网络等各种架构,暗示了深度学习中新诊断方法的潜力。