論文の概要: Modelling of Underwater Vehicles using Physics-Informed Neural Networks with Control

• arxiv url: http://arxiv.org/abs/2504.20019v1
• Date: Mon, 28 Apr 2025 17:38:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.543574
• Title: Modelling of Underwater Vehicles using Physics-Informed Neural Networks with Control
• Title（参考訳）: 物理インフォームドニューラルネットワークによる水中車両のモデリング
• Authors: Abdelhakim Amer, David Felsager, Yury Brodskiy, Andriy Sarabakha,
• Abstract要約: 物理インフォームドニューラルネットワーク(PINN)は、物理法則をデータ駆動モデルと統合し、一般化とサンプル効率を改善する。 本研究は,水中車両の力学をモデル化するために設計された物理情報ニューラルネットワーク制御フレームワークのオープンソース実装を紹介する。
• 参考スコア（独自算出の注目度）: 1.9343033692333778
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physics-informed neural networks (PINNs) integrate physical laws with data-driven models to improve generalization and sample efficiency. This work introduces an open-source implementation of the Physics-Informed Neural Network with Control (PINC) framework, designed to model the dynamics of an underwater vehicle. Using initial states, control actions, and time inputs, PINC extends PINNs to enable physically consistent transitions beyond the training domain. Various PINC configurations are tested, including differing loss functions, gradient-weighting schemes, and hyperparameters. Validation on a simulated underwater vehicle demonstrates more accurate long-horizon predictions compared to a non-physics-informed baseline
• Abstract（参考訳）: 物理インフォームドニューラルネットワーク(PINN)は、物理法則をデータ駆動モデルと統合し、一般化とサンプル効率を改善する。 この研究は、水中車両の力学をモデル化するために設計された、Physical-Informed Neural Network with Control (PINC)フレームワークのオープンソース実装を紹介する。 PINCは初期状態、制御アクション、タイムインプットを使用して、トレーニングドメインを超えて物理的に一貫した遷移を可能にするためにPINNを拡張している。 異なる損失関数、勾配重み付けスキーム、ハイパーパラメータなど、様々なPINC構成がテストされている。 模擬水中車両のバリデーションは、非物理学的インフォームドベースラインと比較して、より正確な長距離予測を示す

関連論文リスト

• Damper-B-PINN: Damper Characteristics-Based Bayesian Physics-Informed Neural Network for Vehicle State Estimation [2.9320640393913626]
  我々は、ダンパー特性に基づくベイズ物理学インフォームドニューラルネットワーク(ダンパー-B-PINN)を設計する。 我々はダンパーの機械的特性にインスパイアされたニューロンの前進過程を導入し、エポック間のニューロンの急激なジャンプを制限する。 物理情報は損失関数に組み込まれ、ニューラルネットワークの物理前駆体として機能する。
  論文  参考訳（メタデータ） (2025-02-28T06:46:21Z)
• Towards Model Discovery Using Domain Decomposition and PINNs [44.99833362998488]
  物理インフォームドニューラルネットワーク(PINN)と有限基底物理インフォームドニューラルネットワーク(FBPINN)の2つの手法の性能評価を行った。 バニラPINN法と比較して,準定常時間領域のみのデータがほとんどない場合であっても,FBPINN法の方が優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-02T14:38:37Z)
• PINNfluence: Influence Functions for Physics-Informed Neural Networks [47.27512105490682]
  物理インフォームドニューラルネットワーク(PINN)は、物理科学における偏微分方程式への深層学習の柔軟で有望な応用として登場した。 本稿では,ポストホックのPINNの検証とデバッグに,インフルエンス関数(IF)の適用について検討する。
  論文  参考訳（メタデータ） (2024-09-13T16:23:17Z)
• Domain-decoupled Physics-informed Neural Networks with Closed-form Gradients for Fast Model Learning of Dynamical Systems [2.8730926763860687]
  物理インフォームドニューラルネットワーク(PINN)は、物理方程式を用いて訓練され、データから学習することで、モデル化されていない効果を組み込むことができる。 本稿では、大規模で複雑な非線形力学系を扱う場合のPINCの現在の限界に対処するために、ドメイン分離された物理情報ニューラルネットワーク(DD-PINN)を導入する。
  論文  参考訳（メタデータ） (2024-08-27T10:54:51Z)
• Physics-Informed Neural Networks with Skip Connections for Modeling and Control of Gas-Lifted Oil Wells [5.238209518666572]
  本研究では, 気化油井などの高非線形系をモデル化するためのPINCを改良する。 提案した改良PINCは優れた性能を示し,検証誤差を平均67%低減する。 実験では、油井の底孔圧力を調節するモデル予測制御(MPC)の有効性を示す。
  論文  参考訳（メタデータ） (2024-03-04T18:18:52Z)
• STDEN: Towards Physics-Guided Neural Networks for Traffic Flow Prediction [31.49270000605409]
  物理原理とデータ駆動モデルの統合の欠如は、この分野の開発を制限する重要な理由である。 本稿では,交通流力学の物理機構を深層ニューラルネットワークの枠組みに組み込む,時空間微分方程式ネットワーク(STDEN)という物理誘導型ディープラーニングモデルを提案する。 北京の3つの実世界の交通データセットの実験では、我々のモデルは最先端のベースラインをかなり上回っている。
  論文  参考訳（メタデータ） (2022-09-01T04:58:18Z)
• Human Trajectory Prediction via Neural Social Physics [63.62824628085961]
  軌道予測は多くの分野において広く研究され、多くのモデルベースおよびモデルフリーな手法が研究されている。 ニューラル微分方程式モデルに基づく新しい手法を提案する。 我々の新しいモデル(ニューラル社会物理学またはNSP)は、学習可能なパラメータを持つ明示的な物理モデルを使用するディープニューラルネットワークである。
  論文  参考訳（メタデータ） (2022-07-21T12:11:18Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Neural Operator with Regularity Structure for Modeling Dynamics Driven by SPDEs [70.51212431290611]
  偏微分方程式 (SPDE) は、大気科学や物理学を含む多くの分野において、力学をモデル化するための重要なツールである。 本研究では,SPDEによって駆動されるダイナミクスをモデル化するための特徴ベクトルを組み込んだニューラル演算子(NORS)を提案する。 動的Phi41モデルと2d Navier-Stokes方程式を含む様々なSPDE実験を行った。
  論文  参考訳（メタデータ） (2022-04-13T08:53:41Z)
• On feedforward control using physics-guided neural networks: Training cost regularization and optimized initialization [0.0]
  モデルベースのフィードフォワードコントローラの性能は、典型的には逆システム力学モデルの精度によって制限される。 本稿では,特定物理パラメータを用いた正規化手法を提案する。 実生活の産業用リニアモーターで検証され、追跡精度と外挿の精度が向上する。
  論文  参考訳（メタデータ） (2022-01-28T12:51:25Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。