Plug-and-Play Physics-informed Learning using Uncertainty Quantified Port-Hamiltonian Models

要約

周囲のエージェントと障害物の軌跡を予測する能力は、多くのロボットアプリケーションで重要なコンポーネントです。
データ駆動型のアプローチは、基礎となるダイナミクスが不明なシナリオでは、状態予測に一般的に採用されています。
ただし、トレーニングデータと比較して分散型の観察に遭遇すると、データ駆動型の予測因子のパフォーマンス、信頼性、および不確実性が損なわれます。
この論文では、この課題に対処するために、プラグアンドプレイの物理学に基づいた機械学習（PNP-PIML）フレームワークを紹介します。
私たちの方法は、外れ値のダイナミクスを識別するためにコンフォーマル予測を採用しており、その場合、名目予測因子から物理的整合性モデル、つまり分散型ポートハミルトニアンシステム（DPH）に切り替えます。
ガウスプロセスを活用してDPHSのエネルギー関数をモデル化し、システムのダイナミクスの学習だけでなく、ベイジアンの性質を介した予測不確実性の定量化も可能にします。
このようにして、提案されたフレームワークは、分散型シナリオでも信頼できる物理学に基づいた予測を生成します。

要約(オリジナル)

The ability to predict trajectories of surrounding agents and obstacles is a crucial component in many robotic applications. Data-driven approaches are commonly adopted for state prediction in scenarios where the underlying dynamics are unknown. However, the performance, reliability, and uncertainty of data-driven predictors become compromised when encountering out-of-distribution observations relative to the training data. In this paper, we introduce a Plug-and-Play Physics-Informed Machine Learning (PnP-PIML) framework to address this challenge. Our method employs conformal prediction to identify outlier dynamics and, in that case, switches from a nominal predictor to a physics-consistent model, namely distributed Port-Hamiltonian systems (dPHS). We leverage Gaussian processes to model the energy function of the dPHS, enabling not only the learning of system dynamics but also the quantification of predictive uncertainty through its Bayesian nature. In this way, the proposed framework produces reliable physics-informed predictions even for the out-of-distribution scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google