- 8 次围观
生物系统和机器人系统在实现运动时，必须解决两个相关的计算问题：逆动力学，用于确定产生期望运动所需的力或力矩；以及正向动力学，用于将施加的力映射为运动。尽管这两种计算由同一组运动方程耦合在一起，但无论是在基于模型还是数据驱动的表述中，它们通常都被估计或实现为彼此独立的逆映射和正向映射。这种分离可能会掩盖同时约束这两个问题的共享结构。在本文中，我们提出了 ANNet，这是一种物理信息神经网络，通过学习经典力学中的一个单一标量量——阿佩尔加速度能——将这两种计算统一到一个共同的学习表示之中。该网络将运动学状态和候选加速度映射到这一标量函数，而逆动力学则通过对学习得到的能量函数关于加速度求导来获得，从而恢复关节力矩。随后，无需重新训练，即可通过将同一学习到的能量景观嵌入一个优化目标中来计算正向动力学；该目标的无约束极小值满足吉布斯—阿佩尔方程。由此得到的加速度再沿时间向前积分。我们在双摆范式上对 ANNet 进行了评估。在训练过程中网络未见过的试验中，逆动力学和基于优化的正向仿真都达到了实时精度。我们的结果为利用单一学习表示同时支持预测与控制提供了一条基于第一性原理的路径。
dweber2{at}andrew.cmu.edu
摘要
信息/历史
指标
数据/代码
预览 PDF
摘要
生物系统和机器人系统在运动时必须解决两个相互关联的计算问题：逆动力学，即确定产生期望运动所需的力或力矩；以及正向动力学，即将施加的力映射为运动。尽管这两类计算由相同的运动方程耦合在一起，但无论是在基于模型的形式还是数据驱动的形式中，它们通常都被估计或实现为彼此独立的逆向映射和正向映射。这种分离可能会掩盖同时约束这两个问题的共享结构。在持有人为作者/资助方，其已授予 bioRxiv 许可，以永久展示该预印本。
本文依据
CC-BY-NC 4.0 国际许可协议
提供。
查看讨论主题。
返回顶部
上一篇
下一篇
发布于 2026 年 6 月 8 日。
下载 PDF
数据/代码
电子邮件
感谢您有兴趣传播 bioRxiv。
您的电子邮件
*
您的姓名
*
发送至
*
请输入多个地址，每行一个，或用逗号分隔。
您将要通过电子邮件发送以下内容
ANNet：用于正向与逆向动力学的第一性原理神经网络
邮件主题
（您的姓名）已从 bioRxiv 转发一个页面给您
邮件正文
（您的姓名）认为您可能希望查看 bioRxiv 网站上的此页面。
您的个人留言
验证码
此问题用于测试您是否为人工访问者，并防止自动垃圾信息提交。
分享
ANNet：用于正向与逆向动力学的第一性原理神经网络
Serhii
Bahdasariants
，
Lauren
Parola
，
Kriti
Kacker
，
Ariel K.
Feldman
，
Zachary
Zdobinski
，
Inseung
Kang
，
Douglas J.
Weber
bioRxiv
2026.06.03.729998；
doi：
https://doi.org/10.64898/2026.06.03.729998
分享本文：
复制
引文工具
ANNet：用于正向与逆向动力学的第一性原理神经网络
Serhii
Bahdasariants
，
Lauren
Parola
，
Kriti
Kacker
，
Ariel K.
Feldman
，
Zachary
Zdobinski
，
Inseung
Kang
，
Douglas J.
Weber
bioRxiv
2026.06.03.729998；
doi：
https://doi.org/10.64898/2026.06.03.729998
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.03.729998v1?rss=1
🏷️ 物理信息神经网络 正向动力学 逆动力学 阿佩尔加速度能 机器人运动控制
来源出处
ANNet：一种用于正向与逆向动力学的第一性原理神经网络
https://www.biorxiv.org/content/10.64898/2026.06.03.729998v1?rss=1