PITA: Physics-Informed Trajectory Autoencoder

要約

セーフティクリティカルなアプリケーションでロボットシステムを検証するには、発生する可能性が低いまれなエッジケースを含む多くのシナリオでテストする必要があり、現実世界のテストをシミュレーションでのテストで補完する必要があります。
生成モデルを使用すると、生成されたデータで現実世界のデータセットを拡張し、学習された潜在空間でサンプリングすることでエッジケースのシナリオを生成できます。
オートエンコーダは、低次元の中間表現から入力データを再構成することを学習することで、特定のドメインの潜在表現を学習できます。
ただし、結果として得られる軌道は必ずしも物理的に妥当であるとは限らず、通常は入力軌道には存在しないノイズが含まれています。
この問題を解決するために、我々は物理動力学モデルをオートエンコーダの損失関数に組み込んだ新しい Physics-Informed Trajectory Autoencoder (PITA) アーキテクチャを提案します。
これにより、入力軌道を再構築するだけでなく、物理モデルにも準拠した滑らかな軌道が得られます。
私たちは、現実世界の車両軌跡のデータセットで PITA を評価し、そのパフォーマンスを通常のオートエンコーダーおよび最先端のアクションスペース オートエンコーダーと比較します。

要約(オリジナル)

Validating robotic systems in safety-critical appli-cations requires testing in many scenarios including rare edgecases that are unlikely to occur, requiring to complement real-world testing with testing in simulation. Generative models canbe used to augment real-world datasets with generated data toproduce edge case scenarios by sampling in a learned latentspace. Autoencoders can learn said latent representation for aspecific domain by learning to reconstruct the input data froma lower-dimensional intermediate representation. However, theresulting trajectories are not necessarily physically plausible, butinstead typically contain noise that is not present in the inputtrajectory. To resolve this issue, we propose the novel Physics-Informed Trajectory Autoencoder (PITA) architecture, whichincorporates a physical dynamics model into the loss functionof the autoencoder. This results in smooth trajectories that notonly reconstruct the input trajectory but also adhere to thephysical model. We evaluate PITA on a real-world dataset ofvehicle trajectories and compare its performance to a normalautoencoder and a state-of-the-art action-space autoencoder.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google