by , ,
Abstract:
モデルベース制御において制御対象の正確なモデリングは非常に重要である．一方で運動方程式のような物理モデルには，モデル化誤差の影響で実挙動との間に乖離が生じることがあり，問題である．そこで制御対象の挙動に関する時系列データを活用し，機械学習モデルと物理モデルを組み合わせることでその乖離を補おうする手法がグレーボックスモデリングである．グレーボックスモデルの学習においては，特に物理モデルの中にも推定したいパラメータが含まれる問題設定において，ニューラルネットワークの働きに制約を課す正則化の必要性が主張されている．しかしながら，正則化の種類や強さがモデルの学習に与える効果に関しては知見が得られていない部分がある．そこで本研究では，運動方程式中のパラメータを同時に推定するグレーボックスモデリングにおける，適切な正則化の種類や大きさについて明らかにすることを目的として実験を行った．その結果，正則化の導入がパラメータの予測精度を向上させることに寄与すること，強い正則化を導入する場合は正則化手法として相関を用いるとロバスト性を確保できることなどが明らかになった．
Reference:
大坂 光, 武石 直也, 矢入 健久:モデル化誤差が顕著な状況における制御のためのダイナミクス学習, In 第39回人工知能学会全国大会 (JSAI), 大阪, 2025.
Bibtex Entry:
@conference{osakaJSAI2025,
title = {モデル化誤差が顕著な状況における制御のためのダイナミクス学習},
author = {光 大坂 and 直也 武石 and 健久 矢入},
labauthor = {光 大坂 and 直也 武石 and 健久 矢入},
url = {https://confit.atlas.jp/guide/event/jsai2025/subject/2M5-OS-37b-03/advanced},
year = {2025},
abstract = {モデルベース制御において制御対象の正確なモデリングは非常に重要である．一方で運動方程式のような物理モデルには，モデル化誤差の影響で実挙動との間に乖離が生じることがあり，問題である．そこで制御対象の挙動に関する時系列データを活用し，機械学習モデルと物理モデルを組み合わせることでその乖離を補おうする手法がグレーボックスモデリングである．グレーボックスモデルの学習においては，特に物理モデルの中にも推定したいパラメータが含まれる問題設定において，ニューラルネットワークの働きに制約を課す正則化の必要性が主張されている．しかしながら，正則化の種類や強さがモデルの学習に与える効果に関しては知見が得られていない部分がある．そこで本研究では，運動方程式中のパラメータを同時に推定するグレーボックスモデリングにおける，適切な正則化の種類や大きさについて明らかにすることを目的として実験を行った．その結果，正則化の導入がパラメータの予測精度を向上させることに寄与すること，強い正則化を導入する場合は正則化手法として相関を用いるとロバスト性を確保できることなどが明らかになった．},
booktitle = {第39回人工知能学会全国大会 (JSAI), 大阪},
lang = {ja}
}