物理信息机器学习是机器学习与数学物理的交叉领域,将物理先验编码进模型结构、优化器和推断算法,应用于逆向设计、机器人控制等。研究涵盖深度生成模型传递不确定性、防止过拟合、计算机视觉引入物理规律、高斯过程减少数据依赖、PINNs梯度病理与算子条件数、动态系统建模控制及强化学习融合物理信息,以提升精度、效率与泛化能力。
物理信息机器学习将物理先验融入模型结构、优化与推断,提升精度与效率,应用于动态系统建模控制、地下能源、复杂物理生物系统、逆问题及强化学习。研究提出分类法,比较传统与深度学习方法在状态监测中的表现,强调交叉验证与特征选择。水文领域提出物理感知机器学习并发布HydroPML平台,增强可解释性与因果性,助力数字水循环。
HandyPriors提出了一个统一且通用的流水线框架,用于在人-物互动场景中进行姿态估计。它通过渲染先验和物理先验来对齐图像和分割掩码,减轻帧之间的穿透和相对滑动问题。HandyPriors提供了两种手部和物体姿态估计的选择,基于优化的姿态估计可以获得更高的精度,而基于滤波的追踪则更快地使用可微的先验作为动力学和观测模型。HandyPriors在姿态估计任务中获得了可比较或更好的结果,并且可以根据不同可变的物理模块预测接触信息。同时,HandyPriors在机器人手操纵和野外人-物姿态估计等感知任务中也展示了泛化能力。
本研究探讨了光的偏振信息对物体姿态预测准确性的影响,并提出了一种混合模型,结合物理先验和数据驱动学习策略。实验结果表明,该设计提高了姿态准确性,适用于高反射和透明物体。同时,引入了一个新的多模式物体姿态数据集作为基准。
完成下面两步后,将自动完成登录并继续当前操作。