論文の概要: A Neural ODE Approach to Aircraft Flight Dynamics Modelling

• arxiv url: http://arxiv.org/abs/2509.23307v1
• Date: Sat, 27 Sep 2025 13:44:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:19.148356
• Title: A Neural ODE Approach to Aircraft Flight Dynamics Modelling
• Title（参考訳）: 航空機飛行ダイナミクスモデリングへのニューラルODEアプローチ
• Authors: Gabriel Jarry, Ramon Dalmau, Xavier Olive, Philippe Very,
• Abstract要約: 本稿では、クイックアクセスレコーダ(QAR)データに基づいて訓練されたニューラル正規微分方程式に基づくFlight Dynamics ModelであるNODE-FDMを紹介する。 解析的キネマティックな関係をデータ駆動コンポーネントと組み合わせることで、NODE-FDMは記録された軌道のより正確な再現を実現する。
• 参考スコア（独自算出の注目度）: 3.436872726361289
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate aircraft trajectory prediction is critical for air traffic management, airline operations, and environmental assessment. This paper introduces NODE-FDM, a Neural Ordinary Differential Equations-based Flight Dynamics Model trained on Quick Access Recorder (QAR) data. By combining analytical kinematic relations with data-driven components, NODE-FDM achieves a more accurate reproduction of recorded trajectories than state-of-the-art models such as a BADA-based trajectory generation methodology (BADA4 performance model combined with trajectory control routines), particularly in the descent phase of the flight. The analysis demonstrates marked improvements across altitude, speed, and mass dynamics. Despite current limitations, including limited physical constraints and the limited availability of QAR data, the results demonstrate the potential of physics-informed neural ordinary differential equations as a high-fidelity, data-driven approach to aircraft performance modelling. Future work will extend the framework to incorporate a full modelling of the lateral dynamics of the aircraft.
• Abstract（参考訳）: 正確な航空機軌道予測は航空交通管理、航空会社の運用、環境評価に重要である。 本稿では、クイックアクセスレコーダ(QAR)データに基づいて訓練されたニューラル正規微分方程式に基づくFlight Dynamics ModelであるNODE-FDMを紹介する。 解析的キネマティックな関係をデータ駆動コンポーネントと組み合わせることで、特に飛行の降下段階において、BADAベースの軌道生成手法(BADA4パフォーマンスモデルと軌道制御ルーチンを組み合わせた)のような最先端技術モデルよりも、記録された軌道のより正確な再現を実現する。 この分析は、高度、速度、質量力学において顕著な改善を示している。 物理制約の制限やQARデータの可用性の制限など、現在の制限にもかかわらず、この結果は、高忠実でデータ駆動の航空機の性能モデリングへのアプローチとして、物理学インフォームドニューラル常微分方程式の可能性を示している。 将来の作業は、機体の側面力学の完全なモデリングを組み込むために、この枠組みを拡張する予定である。

関連論文リスト

• PI-WAN: A Physics-Informed Wind-Adaptive Network for Quadrotor Dynamics Prediction in Unknown Environments [3.4802474792943805]
  本研究では, 物理インフォームド・ウィンド・アダプティブ・ネットワーク (PI-WAN) を導入する。 具体的には、PI-WANは時間的畳み込みネットワーク(TCN)アーキテクチャを採用し、歴史的飛行データから時間的依存関係を効率的にキャプチャする。 実時間予測結果をモデル予測制御(MPC)フレームワークに組み込むことで,クローズドループ追跡性能の向上を実現する。
  論文  参考訳（メタデータ） (2025-07-01T14:48:22Z)
• Capturing Aerodynamic Characteristics of ATTAS Aircraft with Evolving Intelligent System [2.8391355909797644]
  本稿では,ATTAS航空機の空力係数をモデル化するための進化型2量子ファジィニューラルネットワーク(eT2QFNN)の新規展開について述べる。 eT2QFNNは、規則に基づく構造を持つ複数の線形サブモデルを作成することで、非線形航空機モデルを表現することができる。 量子メンバシップ関数を通じて不確実性とデータノイズに対する堅牢性を高める。
  論文  参考訳（メタデータ） (2025-04-28T16:21:20Z)
• Fine-Tuning Hybrid Physics-Informed Neural Networks for Vehicle Dynamics Model Estimation [2.432448600920501]
  本稿では、教師付きおよび教師なしの物理インフォームドニューラルネットワーク(PINN)を統合したFTHD法を提案する。 FTHDは、より小さなトレーニングデータセットを使用して、事前トレーニングされたDeep Dynamics Model(DDM)を微調整する。 拡張カルマンフィルタ(EKF)はFTHD内に埋め込まれ、ノイズの多い実世界のデータを効果的に管理し、正確な騒音を確実にする。 その結果, パラメータ推定精度は従来のモデルより大幅に向上し, 既存のモデルよりも優れていた。
  論文  参考訳（メタデータ） (2024-09-29T10:33:07Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Context-Aware Generative Models for Prediction of Aircraft Ground Tracks [0.004807514276707785]
  軌道予測は航空交通管制官の意思決定を支援する上で重要な役割を果たしている。 従来のTP手法は決定論的で物理学に基づく手法であり、パラメータは世界中で収集された航空機の監視データを用いて校正される。 本研究では、確率論的機械学習を用いて、パイロット行動とATCO意図の未知の効果をモデル化する横型TPの生成法を提案する。
  論文  参考訳（メタデータ） (2023-09-26T14:20:09Z)
• SEGNO: Generalizing Equivariant Graph Neural Networks with Physical Inductive Biases [66.61789780666727]
  等変性を維持しながら, 2階連続性をGNNに組み込む方法を示す。 また、SEGNOに関する理論的知見も提供し、隣接する状態間の一意の軌跡を学習できることを強調している。 我々のモデルは最先端のベースラインよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2023-08-25T07:15:58Z)
• Inferring Traffic Models in Terminal Airspace from Flight Tracks and Procedures [39.89295870460643]
  本稿では,レーダ監視データから収集したプロシージャデータとフライトトラックから可変性を学習可能な簡易確率モデルを提案する。 我々は、ガウス混合モデルから一連の偏差をサンプリングし、航空機の軌道を再構築することで合成軌道を生成する。 本研究は、ジョン・F・ケネディ国際空港の着地軌道と着地手順に関するモデルについて紹介する。
  論文  参考訳（メタデータ） (2023-03-17T13:58:06Z)
• 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)
• Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
  データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。 ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。 ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
  論文  参考訳（メタデータ） (2022-04-09T22:07:34Z)
• Airfoil's Aerodynamic Coefficients Prediction using Artificial Neural Network [0.0]
  右翼を見つけることは、あらゆる航空機の設計の予備段階における重要なステップである。 本研究では、異なるネットワークアーキテクチャとトレーニングデータセットを比較し、ネットワークが与えられた翼のジオメトリをどのように知覚するかについての洞察を得る。
  論文  参考訳（メタデータ） (2021-09-24T19:07:19Z)

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。