考虑死区的神经网络损失函数
内容提要
该文综述了神经网络与物理知识结合建模力学系统的研究，涵盖拉格朗日建模、隐式方程仿真、弱监督动态估计、Huber损失参数辨识、肌骨物理约束学习、可微物理训练统一控制器、增广拉格朗日约束注入及频率成本鲁棒规划，表明融入先验知识可提升数据效率与预测精度。
延伸解读
物理先验如何提升数据效率
文章指出，将拉格朗日建模、肌骨物理约束等先验知识融入神经网络，能显著提高数据效率和预测精度。例如，通过增广拉格朗日法强制约束，系统动力学预测准确率提升两个数量级。这表明在数据有限时，物理知识可弥补数据不足，但需注意约束的合理设计，避免过度限制模型灵活性。
损失函数与参数辨识的鲁棒性
针对噪声数据下的参数估计，文章提到使用Huber损失函数的神经网络能逐步收敛到准确参数，并在多种非线性系统中验证了鲁棒性。这提示读者，在复杂系统辨识中，损失函数的选择对噪声容忍度至关重要，Huber损失平衡了均方误差和绝对误差，适合存在异常值的时间序列数据。
可微物理与统一控制器的优势
文章介绍了一种可微物理训练框架，能输出统一神经网络控制器，在软体机器人控制中优于强化学习，收敛更快且支持多目标切换。这展示了可微仿真在训练效率上的潜力，但实际部署时需考虑仿真到现实的差距，以及控制器在未见过任务上的泛化能力。
鲁棒规划与频率成本函数
为应对机器人模型误差，文章提出基于频率的成本函数，在轨迹优化中增强鲁棒性，并在ANYmal机器人上验证了其对不确定地形的适应性。这表明在运动规划中，考虑频率域特性可提升稳定性，但方法可能依赖于特定机器人动力学，迁移到其他平台需重新调整参数。
Q&A
神经网络如何结合物理知识来建模力学系统？
文章综述了多种方法，包括使用神经网络对力学系统的拉格朗日量和广义力进行建模，以及将物理知识作为先验注入神经网络结构，从而提升数据效率和预测精度。
在物理仿真中如何准确模拟人类关节的极限运动范围？
通过学习隐式方程，并使用神经网络和梯度优化技术，可以准确模拟人类关节的极限运动范围，从而实现更真实的人机交互和优化问题求解。
弱监督学习如何用于动态估计？
基于弱监督学习的动态估计框架通过搭建神经网络层，在小规模动力数据集和弱监督领域转移上进行纯人类运动数据的循环损失最小化，获得了基于地面反作用力、力矩和关节扭矩回归的最先进结果。
Huber损失函数在神经网络参数辨识中有什么作用？
利用Huber损失函数的神经网络可以准确估计复杂非线性系统的参数，通过训练带有噪声的时间序列数据，逐步收敛到准确参数，并在多个系统中验证了其准确性和鲁棒性。
如何通过物理约束的深度学习预测关节运动和肌肉力量？
基于肌骨建模的受物理学约束的深度学习方法，能够有效识别个体特定的肌骨生理参数，并且训练的受物理学约束的前向动力学模型能够准确预测运动和肌肉力量。
可微物理训练如何统一控制器？
通过可实践的学习框架，使用可微物理学实现训练，能够输出统一的神经网络控制器，在可微弹簧和材料点方法的模拟、复杂步态任务和多个机器人设计方案上优于强化学习，收敛更快，并支持交互式控制软体机器人。
增广拉格朗日法如何将物理知识注入神经网络？
通过将物理学基础知识注入神经网络结构，并在训练过程中使用增广拉格朗日法强制实施物理学知识约束，从轨迹数据中学习动力学模型，实验证明比不包括先验知识的基线方法在相同训练数据集上能将系统动力学预测准确率提升两个数量级。
基于频率的成本函数如何提高机器人规划的鲁棒性？
通过提出基于频率的成本函数在轨迹优化中实现对于机器人模型误差的鲁棒性设计，增加运动规划的稳定性和兼容性，在模拟和硬件实验优化动作规划并在机器人ANYmal上实验后，成功提高了机器人对于不确定环境和具有不同活动性地形的适应性。
