Neue Methode lernt Zustandsraum aus beliebigen Daten mit Joint Embedding Arch.

Ein neuer Beitrag auf arXiv (Version 1 vom 25.08.2025) präsentiert eine innovative Technik, mit der Zustandsraummodelle für kontinuierliche Zeitdynamik aus beliebigen Beobachtungsdaten erzeugt werden können. Die Autoren nutzen Joint Embedding Predictive Architectures (JEPAs), die laut den Autoren leistungsfähiger sind als herkömmliche rekonstruktionsbasierte Verfahren.

Die Methode kombiniert Sequenz‑Embeddings mit neuronalen gewöhnlichen Differentialgleichungen (neural ODEs). Durch gezielte Verlustfunktionen, die kontraktive Embeddings und Lipschitz‑Konstanten in den Zustandsübergängen erzwingen, wird ein gut strukturiertes latentes Zustandsraum geschaffen.

Die Effektivität der Vorgehensweise demonstrieren die Autoren anhand eines einfachen Pendel‑Systems. Aus rein visuellen Bilddaten werden strukturierte latente Zustandsraummodelle generiert, die die dynamische Entwicklung des Pendels exakt abbilden.

Diese Arbeit eröffnet neue Möglichkeiten für die Entwicklung allgemeinere Steuerungsalgorithmen und Schätztechniken. Besonders im Bereich der Robotik könnten die gewonnenen Modelle dazu beitragen, robustere und effizientere Kontrollstrategien zu entwickeln.