Buchumschlag

Physics-Constrained Learning for PDE Systems with Uncertainty Quantified Port-Hamiltonian Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Tan, Kaiyuan, Li, Peilun, Beckers, Thomas
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Robotics Systems and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Plug-and-Play Physics-informed Learning using Uncertainty Quantified Port-Hamiltonian Models
von: Tan, Kaiyuan, et al.
Veröffentlicht: (2025)

Identify Then Project: Contrastive Learning of Latent Dynamics from Partial Observations with Port-Hamiltonian Structure
von: Li, Peilun, et al.
Veröffentlicht: (2026)

Domain-decoupled Physics-informed Neural Networks with Closed-form Gradients for Fast Model Learning of Dynamical Systems
von: Krauss, Henrik, et al.
Veröffentlicht: (2024)

Learning Hamiltonian Dynamics with Bayesian Data Assimilation
von: Kim, Taehyeun, et al.
Veröffentlicht: (2025)

Learning of Hamiltonian Dynamics with Reproducing Kernel Hilbert Spaces
von: Smith, Torbjørn, et al.
Veröffentlicht: (2023)

Data-driven Kinematic Modeling in Soft Robots: System Identification and Uncertainty Quantification
von: Jiang, Zhanhong, et al.
Veröffentlicht: (2025)

Machine Learning and System Identification for Estimation in Physical Systems
von: Carlson, Fredrik Bagge
Veröffentlicht: (2019)

Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model Predictive Control
von: Saviolo, Alessandro, et al.
Veröffentlicht: (2022)

Learning Hamiltonian Dynamics with Reproducing Kernel Hilbert Spaces and Random Features
von: Smith, Torbjørn, et al.
Veröffentlicht: (2024)

Goal Reaching with Eikonal-Constrained Hierarchical Quasimetric Reinforcement Learning
von: Giammarino, Vittorio, et al.
Veröffentlicht: (2025)

Spectral Normalization for Lipschitz-Constrained Policies on Learning Humanoid Locomotion
von: Shin, Jaeyong, et al.
Veröffentlicht: (2025)

PHDME: Physics-Informed Diffusion Models without Explicit Governing Equations
von: Tan, Kaiyuan, et al.
Veröffentlicht: (2026)

Bayesian Safety Guarantees for Port-Hamiltonian Systems with Learned Energy Functions
von: Leung, Chi Ho, et al.
Veröffentlicht: (2025)

Structure- and Stability-Preserving Learning of Port-Hamiltonian Systems
von: Nguyen, Binh, et al.
Veröffentlicht: (2026)

Learning Transferable Friction Models and LuGre Identification Via Physics-Informed Neural Networks
von: Ozmen, Asutay, et al.
Veröffentlicht: (2025)

Data-Driven Boundary Control of Distributed Port-Hamiltonian Systems
von: Beckers, Thomas, et al.
Veröffentlicht: (2026)

Active Alignments of Lens Systems with Reinforcement Learning
von: Burkhardt, Matthias, et al.
Veröffentlicht: (2025)

Beyond Fixed Morphologies: Learning Graph Policies with Trust Region Compensation in Variable Action Spaces
von: Gallien, Thomas
Veröffentlicht: (2025)

Probabilistic Constrained Reinforcement Learning with Formal Interpretability
von: Wang, Yanran, et al.
Veröffentlicht: (2023)

Uncertainty-aware Latent Safety Filters for Avoiding Out-of-Distribution Failures
von: Seo, Junwon, et al.
Veröffentlicht: (2025)

MPC-Inspired Reinforcement Learning for Verifiable Model-Free Control
von: Lu, Yiwen, et al.
Veröffentlicht: (2023)

Adaptive Model-Predictive Control of a Soft Continuum Robot Using a Physics-Informed Neural Network Based on Cosserat Rod Theory
von: Licher, Johann, et al.
Veröffentlicht: (2025)

Learning Local Control Barrier Functions for Hybrid Systems
von: Yang, Shuo, et al.
Veröffentlicht: (2024)

Safe Reinforcement Learning with Minimal Supervision
von: Quessy, Alexander, et al.
Veröffentlicht: (2025)

System-level Safety Guard: Safe Tracking Control through Uncertain Neural Network Dynamics Models
von: Li, Xiao, et al.
Veröffentlicht: (2023)

A Model-Based Approach to Imitation Learning through Multi-Step Predictions
von: Balim, Haldun, et al.
Veröffentlicht: (2025)

Variational Neural Belief Parameterizations for Robust Dexterous Grasping under Multimodal Uncertainty
von: Enwerem, Clinton, et al.
Veröffentlicht: (2026)

SAFE-GIL: SAFEty Guided Imitation Learning for Robotic Systems
von: Ciftci, Yusuf Umut, et al.
Veröffentlicht: (2024)

PIETRA: Physics-Informed Evidential Learning for Traversing Out-of-Distribution Terrain
von: Cai, Xiaoyi, et al.
Veröffentlicht: (2024)

Robust Verification of Controllers under State Uncertainty via Hamilton-Jacobi Reachability Analysis
von: Lin, Albert, et al.
Veröffentlicht: (2025)

Learning Dynamical Systems Encoding Non-Linearity within Space Curvature
von: Fichera, Bernardo, et al.
Veröffentlicht: (2024)

A Robust Task-Level Control Architecture for Learned Dynamical Systems
von: Pathak, Eshika, et al.
Veröffentlicht: (2025)

Physics-informed Goal-Conditioned Reinforcement Learning under Hybrid Contact Dynamics
von: Giammarino, Vittorio, et al.
Veröffentlicht: (2026)

Control Pneumatic Soft Bending Actuator with Online Learning Pneumatic Physical Reservoir Computing
von: Shen, Junyi, et al.
Veröffentlicht: (2025)

DRIVE Through the Unpredictability:From a Protocol Investigating Slip to a Metric Estimating Command Uncertainty
von: Samson, Nicolas, et al.
Veröffentlicht: (2025)

Safe PDE Boundary Control with Neural Operators
von: Hu, Hanjiang, et al.
Veröffentlicht: (2024)

Leveraging Symmetry to Accelerate Learning of Trajectory Tracking Controllers for Free-Flying Robotic Systems
von: Welde, Jake, et al.
Veröffentlicht: (2024)

Priority-Driven Control and Communication in Decentralized Multi-Agent Systems via Reinforcement Learning
von: Guo, Qingyun, et al.
Veröffentlicht: (2026)

Stabilizing Humanoid Robot Trajectory Generation via Physics-Informed Learning and Control-Informed Steering
von: D'Elia, Evelyn, et al.
Veröffentlicht: (2025)

CurricuLLM: Automatic Task Curricula Design for Learning Complex Robot Skills using Large Language Models
von: Ryu, Kanghyun, et al.
Veröffentlicht: (2024)