論文の概要: Data-Driven Modeling and Correction of Vehicle Dynamics

• arxiv url: http://arxiv.org/abs/2512.00289v1
• Date: Sat, 29 Nov 2025 03:04:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.151732
• Title: Data-Driven Modeling and Correction of Vehicle Dynamics
• Title（参考訳）: データ駆動モデリングと車両ダイナミクスの補正
• Authors: Nguyen Ly, Caroline Tatsuoka, Jai Nagaraj, Jacob Levy, Fernando Palafox, David Fridovich-Keil, Hannah Lu,
• Abstract要約: 我々は、非自律車両力学を学習し、修正するためのデータ駆動型フレームワークを開発した。 より強い非線形システムでは、ディープニューラルネットワークアプローチであるFlow Map Learningを採用しています。
• 参考スコア（独自算出の注目度）: 36.247839904691105
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We develop a data-driven framework for learning and correcting non-autonomous vehicle dynamics. Physics-based vehicle models are often simplified for tractability and therefore exhibit inherent model-form uncertainty, motivating the need for data-driven correction. Moreover, non-autonomous dynamics are governed by time-dependent control inputs, which pose challenges in learning predictive models directly from temporal snapshot data. To address these, we reformulate the vehicle dynamics via a local parameterization of the time-dependent inputs, yielding a modified system composed of a sequence of local parametric dynamical systems. We approximate these parametric systems using two complementary approaches. First, we employ the DRIPS (dimension reduction and interpolation in parameter space) methodology to construct efficient linear surrogate models, equipped with lifted observable spaces and manifold-based operator interpolation. This enables data-efficient learning of vehicle models whose dynamics admit accurate linear representations in the lifted spaces. Second, for more strongly nonlinear systems, we employ FML (Flow Map Learning), a deep neural network approach that approximates the parametric evolution map without requiring special treatment of nonlinearities. We further extend FML with a transfer-learning-based model correction procedure, enabling the correction of misspecified prior models using only a sparse set of high-fidelity or experimental measurements, without assuming a prescribed form for the correction term. Through a suite of numerical experiments on unicycle, simplified bicycle, and slip-based bicycle models, we demonstrate that DRIPS offers robust and highly data-efficient learning of non-autonomous vehicle dynamics, while FML provides expressive nonlinear modeling and effective correction of model-form errors under severe data scarcity.
• Abstract（参考訳）: 我々は、非自律車両力学を学習し、修正するためのデータ駆動型フレームワークを開発した。 物理モデルに基づく車両モデルは、しばしばトラクタビリティのために単純化され、したがって固有のモデル形式の不確実性を示し、データ駆動補正の必要性を動機付けている。 さらに、非自律力学は時間依存の制御入力によって制御され、時間的スナップショットデータから直接予測モデルを学習する際の課題となる。 これらの問題に対処するため、時間依存入力の局所パラメータ化により車両力学を再構成し、局所的なパラメトリック力学系からなる修正系を生成する。 2つの相補的アプローチを用いてこれらのパラメトリック系を近似する。 まず、DRIPS法を用いて、持ち上げ可観測空間と多様体に基づく作用素補間を備えた効率的な線形サロゲートモデルを構築する。 これにより、動的に持ち上げられた空間に正確な線形表現が認められる車両モデルのデータ効率の学習が可能になる。 第二に、より強く非線形なシステムでは、非線形性の特別な処理を必要とせず、パラメトリック進化マップを近似するディープニューラルネットワークアプローチであるFML(Flow Map Learning)を採用する。 さらに、FMLをトランスファーラーニングに基づくモデル修正手順で拡張し、修正期間の所定の形式を仮定することなく、高忠実度または実験的測定のスパースセットのみを用いて、不特定前のモデルの修正を可能にする。 一輪車、簡易自転車、スリップベース自転車モデルに関する一連の数値実験を通して、DRIPSは非自律車動学の堅牢かつ高効率な学習を提供する一方、FMLは表現的非線形モデリングと重大データ不足下でのモデル形状誤差の効果的な補正を提供する。

関連論文リスト

• Hybrid Adaptive Modeling using Neural Networks Trained with Nonlinear Dynamics Based Features [5.652228574188242]
  本稿では,非線形動的モデリングから情報を明らかにし,それをデータベースモデルに組み込むことにより,標準手法から逸脱する新しいアプローチを提案する。 摂動法による非線形力学現象を明示的に取り入れることにより、予測能力はブルートフォース数値シミュレーションから得られた知識と比較してより現実的で洞察力が高い。
  論文  参考訳（メタデータ） (2025-01-21T02:38:28Z)
• Spatiotemporal Implicit Neural Representation as a Generalized Traffic Data Learner [46.866240648471894]
  時空間交通データ(STTD)は、マルチスケール交通システムの複雑な動的挙動を測定する。 本稿では,STTDを暗黙的ニューラル表現としてパラメータ化することで,STTD学習問題に対処する新しいパラダイムを提案する。 実世界のシナリオにおける広範な実験を通じて,その有効性を検証し,廊下からネットワークスケールへの応用を示す。
  論文  参考訳（メタデータ） (2024-05-06T06:23:06Z)
• Physics-Informed Machine Learning for Seismic Response Prediction OF Nonlinear Steel Moment Resisting Frame Structures [6.483318568088176]
  PiML法は、非線形構造の地震応答をモデル化するために、科学的原理と物理法則をディープニューラルネットワークに統合する。 運動方程式を操作することは、システムの非線形性を学習し、物理的に解釈可能な結果の中で解を閉じ込めるのに役立つ。 結果、既存の物理誘導LSTMモデルよりも複雑なデータを処理し、他の非物理データ駆動ネットワークより優れている。
  論文  参考訳（メタデータ） (2024-02-28T02:16:03Z)
• Data-driven Nonlinear Model Reduction using Koopman Theory: Integrated Control Form and NMPC Case Study [56.283944756315066]
  そこで本研究では,遅延座標符号化と全状態復号化を組み合わせた汎用モデル構造を提案し,Koopmanモデリングと状態推定を統合した。 ケーススタディでは,本手法が正確な制御モデルを提供し,高純度極低温蒸留塔のリアルタイム非線形予測制御を可能にすることを実証している。
  論文  参考訳（メタデータ） (2024-01-09T11:54:54Z)
• Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
  オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。 本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。 多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
  論文  参考訳（メタデータ） (2023-06-14T11:41:42Z)
• 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)
• Identification of the nonlinear steering dynamics of an autonomous vehicle [0.0]
  現代の車両は、モデリングが難しいデジタルおよびメカトロニクスコンポーネントの広い配列を持っています。 関連する車両のダイナミクスをキャプチャするためにデータ駆動モデリングを使用することは魅力的です。 ニューラルネットワークベースのサブスペースエンコーダが基礎となるダイナミクスをうまくキャプチャできることを示した。
  論文  参考訳（メタデータ） (2021-05-10T17:32:23Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Iterative Semi-parametric Dynamics Model Learning For Autonomous Racing [2.40966076588569]
  本稿では,ニューラルネットワークを用いた反復学習セミパラメトリックモデルを自律レースの課題に適用する。 我々のモデルは純粋にパラメトリックモデルよりも正確に学習でき、純粋に非パラメトリックモデルよりもより一般化できることを示す。
  論文  参考訳（メタデータ） (2020-11-17T16:24:10Z)
• Derivative-Based Koopman Operators for Real-Time Control of Robotic Systems [14.211417879279075]
  本稿では, モデル誤差を拘束する非線形力学をデータ駆動で同定するための一般化可能な手法を提案する。 クープマン演算子に基づく線形表現を構築し,テイラー級数精度解析を用いて誤差境界を導出する。 制御と組み合わせると、非線形系のクープマン表現は競合する非線形モデリング法よりも極端に優れた性能を持つ。
  論文  参考訳（メタデータ） (2020-10-12T15:15:13Z)

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。