論文の概要: Physics-informed Deep Mixture-of-Koopmans Vehicle Dynamics Model with Dual-branch Encoder for Distributed Electric-drive Trucks

• arxiv url: http://arxiv.org/abs/2603.17416v1
• Date: Wed, 18 Mar 2026 06:47:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-21 18:33:56.940129
• Title: Physics-informed Deep Mixture-of-Koopmans Vehicle Dynamics Model with Dual-branch Encoder for Distributed Electric-drive Trucks
• Title（参考訳）: 分散電動トラック用デュアルブランチエンコーダを用いた物理インフォームドディープミックス・オブ・クープマンズ車両ダイナミクスモデル
• Authors: Jinyu Miao, Pu Zhang, Rujun Yan, Yifei He, Bowei Zhang, Zheng Fu, Ke Wang, Qi Song, Kun Jiang, Mengmeng Yang, Diange Yang,
• Abstract要約: 複合分散電動車(DET)に適したデータ駆動動的モデリング手法を提案する。 まず、動的状態を符号化し、KODEと題するクープマン方式の強力な基盤を提供する新しいデュアルブランチエンコーダを提案する。 エンコーダとクープマン演算子の両方の効果的な学習を容易にするために、物理インフォームド監視機構をトレーニングプロセスに組み込む。
• 参考スコア（独自算出の注目度）: 19.506735422845182
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Advanced autonomous driving systems require accurate vehicle dynamics modeling. However, identifying a precise dynamics model remains challenging due to strong nonlinearities and the coupled longitudinal and lateral dynamic characteristics. Previous research has employed physics-based analytical models or neural networks to construct vehicle dynamics representations. Nevertheless, these approaches often struggle to simultaneously achieve satisfactory performance in terms of system identification efficiency, modeling accuracy, and compatibility with linear control strategies. In this paper, we propose a fully data-driven dynamics modeling method tailored for complex distributed electric-drive trucks (DETs), leveraging Koopman operator theory to represent highly nonlinear dynamics in a lifted linear embedding space. To achieve high-precision modeling, we first propose a novel dual-branch encoder which encodes dynamic states and provides a powerful basis for the proposed Koopman-based methods entitled KODE. A physics-informed supervision mechanism, grounded in the geometric consistency of temporal vehicle motion, is incorporated into the training process to facilitate effective learning of both the encoder and the Koopman operator. Furthermore, to accommodate the diverse driving patterns of DETs, we extend the vanilla Koopman operator to a mixture-of-Koopman operator framework, enhancing modeling capability. Simulations conducted in a high-fidelity TruckSim environment and real-world experiments demonstrate that the proposed approach achieves state-of-the-art performance in long-term dynamics state estimation.
• Abstract（参考訳）: 高度な自律運転システムは正確な車両力学モデリングを必要とする。 しかし、強い非線形性と結合した縦・横の動的特性のため、正確な力学モデルを特定することは依然として困難である。 これまでの研究では、車両の動力学的表現を構築するために物理学に基づく解析モデルやニューラルネットワークが用いられてきた。 それでもこれらの手法は、システム識別効率、モデリング精度、線形制御戦略との整合性の観点から、十分な性能を達成するのに苦労することが多い。 本論文では, 複雑な分散電動トラック(DET)に適した完全データ駆動型動的モデリング手法を提案する。 高速なモデリングを実現するために,我々はまず動的状態を符号化し,提案手法であるKODEの強力な基盤を提供する新しいデュアルブランチエンコーダを提案する。 時間車両運動の幾何的整合性に基づく物理インフォームド制御機構をトレーニングプロセスに組み込み,エンコーダとクープマン演算子の両方の効果的な学習を容易にする。 さらに、DETの多様な駆動パターンに対応するため、バニラクープマン演算子を混合クープマン演算子フレームワークに拡張し、モデリング能力を向上する。 高忠実なTrackSim環境と実世界の実験で実施されたシミュレーションは,提案手法が長期動的状態推定における最先端性能を実現することを実証している。

関連論文リスト

• MR-LDM -- The Merge-Reactive Longitudinal Decision Model: Game Theoretic Human Decision Modeling for Interactive Sim Agents [0.9883562565157391]
  我々は,戦術的意思決定のためのゲーム理論モデルをターゲットにして,ハイウェイマージシナリオのシミュレーションを改善することを目的としている。 これを基礎となるダイナミックスモデルと組み合わせて、より現実的なインタラクションをキャプチャできる統一された決定と動的モデルを持ちます。
  論文  参考訳（メタデータ） (2025-07-15T20:41:00Z)
• Multi-Step Deep Koopman Network (MDK-Net) for Vehicle Control in Frenet Frame [0.0]
  本稿では、深層ニューラルネットワークを用いて全車動特性を捉える、新しいディープラーニングベースのクープマンモデリング手法を提案する。 二重車線変更操作において, 同定線形モデルと比較して, クープマンモデルの精度が優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-04T20:57:38Z)
• A Survey of World Models for Autonomous Driving [55.520179689933904]
  自律運転の最近の進歩は、堅牢な世界モデリングの進歩によって推進されている。 世界モデルは、マルチセンサーデータ、セマンティックキュー、時間ダイナミクスを統合する駆動環境の高忠実度表現を提供する。 今後の研究は、自己指導型表現学習、マルチモーダル融合、高度なシミュレーションにおける重要な課題に対処する必要がある。
  論文  参考訳（メタデータ） (2025-01-20T04:00:02Z)
• Physically Analyzable AI-Based Nonlinear Platoon Dynamics Modeling During Traffic Oscillation: A Koopman Approach [4.379212829795889]
  物理的アナライザビリティを同時に達成しつつ、高精度なモデリング手法が不可欠である。 本稿では,AIのパワーを利用した未知の非線形プラトン力学をモデル化するためのAIベースのクープマン手法を提案する。
  論文  参考訳（メタデータ） (2024-06-20T19:35:21Z)
• Exploring Model Transferability through the Lens of Potential Energy [78.60851825944212]
  トランスファーラーニングは、事前訓練されたディープラーニングモデルが広く利用可能であることから、コンピュータビジョンタスクにおいて重要になっている。 既存のトレーニング済みモデルの転送可能性の測定方法は、符号化された静的特徴とタスクラベルの間の統計的相関に依存する。 我々はこれらの課題に対処するために,PEDという物理に着想を得たアプローチを提案する。
  論文  参考訳（メタデータ） (2023-08-29T07:15:57Z)
• 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)
• Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model Predictive Control [46.81433026280051]
  本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。 我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
  論文  参考訳（メタデータ） (2022-10-23T00:45:05Z)
• 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)
• Objective-aware Traffic Simulation via Inverse Reinforcement Learning [31.26257563160961]
  逆強化学習問題として交通シミュレーションを定式化する。 動的ロバストシミュレーション学習のためのパラメータ共有逆強化学習モデルを提案する。 提案モデルでは,実世界の車両の軌道を模倣し,同時に報酬関数を復元することができる。
  論文  参考訳（メタデータ） (2021-05-20T07:26:34Z)
• 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)

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。