A Thermodynamics-informed Active Learning Approach to Perception and Reasoning about Fluids

要約

ロボット開発において、物理現象の学習と推論は依然として課題であり、過去の事象の説明と将来の状況の厳密な予測を提供できる正確な手法の探索において、計算科学が重要な役割を担っている。我々は、流体知覚と観測からの推論のための、熱力学を考慮した能動学習戦略を提案する。モデル問題として、グラスの中に含まれる異なる流体のスロッシング現象を取り上げる。ある流体の高解像度合成データから出発し、商品カメラで自由表面を観測した、あらゆる未知の液体の追跡（知覚）と分析（推論）のための方法を開発する。この手法は、データ駆動型（グレーボックス）モデリングのみならず、低データ領域やダイナミクスの部分観測における実際の物理適応のための補正においても、物理と知識の重要性を示すものである。この手法は、認知デジタルツインの開発など、他の領域にも拡張可能であり、明示的に訓練されていない現象の観察から学習することができる。

要約(オリジナル)

Learning and reasoning about physical phenomena is still a challenge in robotics development, and computational sciences play a capital role in the search for accurate methods able to provide explanations for past events and rigorous forecasts of future situations. We propose a thermodynamics-informed active learning strategy for fluid perception and reasoning from observations. As a model problem, we take the sloshing phenomena of different fluids contained in a glass. Starting from full-field and high-resolution synthetic data for a particular fluid, we develop a method for the tracking (perception) and analysis (reasoning) of any previously unseen liquid whose free surface is observed with a commodity camera. This approach demonstrates the importance of physics and knowledge not only in data-driven (grey box) modeling but also in the correction for real physics adaptation in low data regimes and partial observations of the dynamics. The method presented is extensible to other domains such as the development of cognitive digital twins, able to learn from observation of phenomena for which they have not been trained explicitly.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL