Hamilton-Jacobi Theory and Superintegrable Systems
PulseAugur coverage of Hamilton-Jacobi Theory and Superintegrable Systems — every cluster mentioning Hamilton-Jacobi Theory and Superintegrable Systems across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架增强人形机器人紧急停止功能
研究人员开发了一个名为 Safe-Stop 的新框架，用于人形机器人更有效地处理紧急停止命令。该系统集成了学习到的停止策略以及可停止性和避障的学习估计器。Safe-Stop 仅在两个估计器都确认可行时才启动停止，否则将默认采用阻尼回退策略。这种方法确保了在不影响反应性的情况下做出鲁棒的决策。
-
新的COFM框架通过PICNN增强最优传输流匹配
研究人员推出了一种新颖的一致最优传输流匹配框架COFM。该方法利用部分输入凸神经网络（PICNNs），并结合汉密尔顿-雅可比残差以确保动力学一致性。COFM能够实现高效的一步传输和基于ODE的多步采样，而无需昂贵的内部优化。实验表明，与现有的最先进模型相比，COFM在性能上具有竞争力，并且计算效率显著。
-
新的STEER2REACH方法改进了Hamilton-Jacobi可达性分析
研究人员开发了STEER2REACH (S2R)，一种用于求解Hamilton-Jacobi (HJ) 可达性问题的新方法。该方法利用物理信息神经网络 (PINNs) 和一种自适应采样分布，该分布根据当前值函数和注入的噪声来引导前向轨迹。S2R旨在提高HJ可达性分析的准确性并降低其计算复杂度，这对于动态系统的安全控制至关重要。与最先进的、由模型预测控制 (MPC) 引导的求解器相比，该方法表现出具有竞争力的性能，在没有复杂的多阶段训练…
-
新的STEER2REACH方法简化了Hamilton-Jacobi可达性分析
研究人员开发了一种新的Hamilton-Jacobi (HJ) 可达性问题求解方法STEER2REACH (S2R)。该方法利用了物理信息神经网络 (PINNs)，并解决了限制HJ可达性实际应用的计算复杂性问题。S2R采用自适应采样分布，通过最优控制和扰动信号以及随机噪声来引导前向轨迹，从而在对标准PINNs训练进行最小修改的情况下学习精确的安全价值函数。
-
机器人获得语言条件安全过滤器，可实现自适应约束执行
研究人员开发了一种新的机器人安全过滤方法，该方法使用语言来指定约束。这种方法基于Hamilton-Jacobi理论，允许单一的安全执行器和评估器适应不同用户、环境和应用中的各种安全要求，而无需为每个新约束进行重新设计或重新学习。在抓取-放置、擦桌子和堆叠积木任务中的实验表明，这些语言条件安全过滤器减少了约束违反，并显示出在相似类别的新、未见过约束实例中转移的能力。
-
新研究增强了用于鲁棒强化学习和安全规划的扩散模型
研究人员正在开发新方法来提高扩散模型在强化学习和规划任务中的鲁棒性和安全性。一种方法是鲁棒正则化策略迭代（RRPI），它通过针对最坏情况动力学进行优化来解决转移不确定性，并在 D4RL 基准测试中表现出强劲的性能。另一组论文介绍了 Kolmogorov Regression 和 DiRecT 等技术，通过提高轨迹规律性来增强扩散策略，从而实现确定性故障检测，并在推理过程中强制执行安全约束，而不会过度约束采样过程。这些进展旨在使扩散模型…
-
将AI训练构建为Hamilton-Jacobi偏微分方程问题
研究人员已将神经网络训练构建为一个Hamilton-Jacobi初值问题。该框架将梯度下降步骤与求解粘性Hamilton-Jacobi方程联系起来，揭示了残差网络、Transformer和RNN等架构之间共享的数学结构。该方法为泛化率、对抗鲁棒性提供了见解，并提供了一个闭式影响函数。
-
新研究解决深度学习偏差、训练动态和可靠性问题
研究人员正在探索新的理论框架和实用方法来改进深度学习模型。一篇论文介绍了DISCO，一种通过估计条件距离相关性来减轻数据集偏差的技术，在各种数据集上的表现优于现有方法。另一项研究将神经网络训练视为一个Hamilton-Jacobi问题，将其与热带代数和偏微分方程联系起来，并提供了对泛化和鲁棒性的见解。此外，新的研究挑战了校准本身就能改善早期退出神经网络的假设，提出了一种考虑预测正确性和计算成本的替代方法。最后，研究正在调查深度网络在训…