Combining Slow and Fast: Complementary Filtering for Dynamics Learning

要約

未知の動的システムのモデル化は、システムの将来の動作を予測するために重要です。
標準的なアプローチは、測定データで反復モデルをトレーニングすることです。
これらのモデルは通常、正確な短期予測を提供しますが、エラーが蓄積すると、長期的な動作が悪化します。
対照的に、信頼できる長期予測を備えたモデルは、多くの場合、堅牢ではあるが詳細度の低いモデルをトレーニングするか、物理ベースのシミュレーションを活用することによって取得できます。
どちらの場合も、モデルの不正確さにより、短時間の詳細が失われます。
したがって、さまざまな時間軸で対照的な特性を持つさまざまなモデルが利用可能です。
この観察はすぐに疑問を投げかけます: 両方の長所を組み合わせた予測を得ることができるでしょうか?
センサー フュージョン タスクに着想を得て、周波数領域の問題を解釈し、信号処理の古典的な方法、特に相補フィルターを活用します。
このフィルタリング手法では、1 つの信号にハイパス フィルターを適用し、もう 1 つの信号をローパス フィルター処理することによって、2 つの信号を結合します。
基本的に、ハイパス フィルターは高周波を抽出し、ローパス フィルターは低周波を抽出します。
この考え方をダイナミクスモデルの学習に適用することで、正確な長期予測と短期予測をもたらすモデルの構築が可能になります。
ここでは、2 つの方法を提案します。1 つは純粋に学習ベースであり、もう 1 つは追加の物理ベースのシミュレーターを必要とするハイブリッド モデルです。

要約(オリジナル)

Modeling an unknown dynamical system is crucial in order to predict the future behavior of the system. A standard approach is training recurrent models on measurement data. While these models typically provide exact short-term predictions, accumulating errors yield deteriorated long-term behavior. In contrast, models with reliable long-term predictions can often be obtained, either by training a robust but less detailed model, or by leveraging physics-based simulations. In both cases, inaccuracies in the models yield a lack of short-time details. Thus, different models with contrastive properties on different time horizons are available. This observation immediately raises the question: Can we obtain predictions that combine the best of both worlds? Inspired by sensor fusion tasks, we interpret the problem in the frequency domain and leverage classical methods from signal processing, in particular complementary filters. This filtering technique combines two signals by applying a high-pass filter to one signal, and low-pass filtering the other. Essentially, the high-pass filter extracts high-frequencies, whereas the low-pass filter extracts low frequencies. Applying this concept to dynamics model learning enables the construction of models that yield accurate long- and short-term predictions. Here, we propose two methods, one being purely learning-based and the other one being a hybrid model that requires an additional physics-based simulator.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google