論文の概要: Amortized Inference for Model Rocket Aerodynamics: Learning to Estimate Physical Parameters from Simulation

• arxiv url: http://arxiv.org/abs/2512.22248v1
• Date: Wed, 24 Dec 2025 01:32:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:29.930575
• Title: Amortized Inference for Model Rocket Aerodynamics: Learning to Estimate Physical Parameters from Simulation
• Title（参考訳）: モデルロケット空力力学の補正推論:シミュレーションによる物理パラメータ推定の学習
• Authors: Rohit Pandey, Rohan Pandey,
• Abstract要約: モデルロケットの飛行性能の正確な予測には、直接測定が難しい空力パラメータを推定する必要がある。 従来のアプローチでは計算流体力学や経験的相関に頼っていたが、データ駆動方式では膨大な実際の飛行データが必要であり、収集には高価で時間がかかる。 本稿では,物理シミュレータから生成された合成飛行データに基づいてニューラルネットワークをトレーニングし,学習したモデルを微調整なしで実飛行に適用するシミュレーションベースアモータイズ推論手法を提案する。
• 参考スコア（独自算出の注目度）: 3.6083839071040646
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate prediction of model rocket flight performance requires estimating aerodynamic parameters that are difficult to measure directly. Traditional approaches rely on computational fluid dynamics or empirical correlations, while data-driven methods require extensive real flight data that is expensive and time-consuming to collect. We present a simulation-based amortized inference approach that trains a neural network on synthetic flight data generated from a physics simulator, then applies the learned model to real flights without any fine-tuning. Our method learns to invert the forward physics model, directly predicting drag coefficient and thrust correction factor from a single apogee measurement combined with motor and configuration features. In this proof-of-concept study, we train on 10,000 synthetic flights and evaluate on 8 real flights, achieving a mean absolute error of 12.3 m in apogee prediction - demonstrating promising sim-to-real transfer with zero real training examples. Analysis reveals a systematic positive bias in predictions, providing quantitative insight into the gap between idealized physics and real-world flight conditions. We additionally compare against OpenRocket baseline predictions, showing that our learned approach reduces apogee prediction error. Our implementation is publicly available to support reproducibility and adoption in the amateur rocketry community.
• Abstract（参考訳）: モデルロケットの飛行性能の正確な予測には、直接測定が難しい空力パラメータを推定する必要がある。 従来のアプローチでは計算流体力学や経験的相関に頼っていたが、データ駆動方式では膨大な実際の飛行データが必要であり、収集には高価で時間がかかる。 本稿では,物理シミュレータから生成された合成飛行データに基づいてニューラルネットワークをトレーニングし,学習したモデルを微調整なしで実飛行に適用するシミュレーションベースアモータイズ推論手法を提案する。 本手法は, モータと構成特性を組み合わせた単一アポジ測定から, 抵抗係数と推力補正係数を直接予測し, フォワード物理モデルを逆転させることを学習する。 この概念実証研究において、我々は1万回の合成飛行を訓練し、8回の実飛行を評価する。 分析は予測の体系的な正のバイアスを明らかにし、理想化物理学と現実世界の飛行条件の間のギャップについて定量的な洞察を与える。 さらに,OpenRocketのベースライン予測と比較し,学習手法がアポジ予測誤差を低減することを示す。 我々の実装は、アマチュアロケットコミュニティにおける再現性と採用を支援するために公開されています。

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)
• 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)
• Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
  データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。 我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。 高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-25T11:29:32Z)
• Machine learning enhanced real-time aerodynamic forces prediction based on sparse pressure sensor inputs [7.112725255953468]
  本稿では,少数の圧力センサを用いたデータ駆動型空気力予測モデルを提案する。 本モデルでは,2次元NACA0015翼の動的ストールデータと3次元ドローンの動的ストールデータの数値シミュレーションデータを用いて実験を行った。
  論文  参考訳（メタデータ） (2023-05-16T06:15:13Z)
• 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)
• 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)
• Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
  深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。 ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。 その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
  論文  参考訳（メタデータ） (2021-03-11T15:21:08Z)

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。