論文の概要: Geometry-Aware Surrogate for Real-Time Hydrodynamics Estimation of Autonomous Ground Vehicles in Amphibious Environments

• arxiv url: http://arxiv.org/abs/2605.18543v1
• Date: Mon, 18 May 2026 15:24:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:49.909278
• Title: Geometry-Aware Surrogate for Real-Time Hydrodynamics Estimation of Autonomous Ground Vehicles in Amphibious Environments
• Title（参考訳）: 水陸両用環境における自律走行車両のリアルタイム流体力学推定のための幾何対応サロゲート
• Authors: Ammar Waheed, Luke Gallantree, Zohaib Hasnain,
• Abstract要約: この研究は、幾何学的-流体力学的力をリアルタイムで予測することでギャップを埋める、地下ニューラルネットワークサロゲートを提示する。 車両固有距離場 (SDF) は, 車両形状, 深度, 流れ方向によってどのように荷重が変化するかをモデルが決定できるように, 地下沈下入力を提供する。 実環境下でのモデル評価には,水深の異なるフルスケール車両の水圧試験を用いる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous ground vehicles operating in shallow water or flood-prone terrains require dynamic models that account for hydrodynamic forces. However, the simulation and planning tools currently available either lack the physical fidelity or are too computationally expensive to run in real time. This work presents a per-surface neural network surrogate that bridges this gap by predicting geometry-resolved hydrodynamic forces at real-time rates, trained entirely on high-fidelity CFD data from two geometrically distinct vehicles. A vehicle specific Signed Distance Field (SDF) provides per-surface submergence inputs, allowing the model to resolve how loading varies with vehicle geometry, depth, and flow direction. On held-out CFD data, the surrogate achieves a longitudinal-force symmetric MAPE (sMAPE) of 13\% and a vertical-force sMAPE of 3-12\%, with inference running under 0.9\,ms per sample. To evaluate the model under real-world conditions, water wading trials of a full-scale vehicle at different submersion depths are used. Motion capture derived kinematics serve as the surrogate inputs, and the resulting predictions are tested to reproduce known physical relationships between force, speed, and depth. The predicted drag follows quadratic speed scaling ($R^2 \geq 0.97$) and the buoyancy intercepts scale linearly with depth ($R^2 = 0.973$). Neither relationship is encoded in the model training loss, both emerge from the per-surface architecture summing individually predicted surface forces. The resulting framework provides a pathway for embedding physically grounded hydrodynamics into the simulation and planning loops that autonomous ground vehicles depend on in amphibious environments.
• Abstract（参考訳）: 浅瀬や洪水の激しい地形で運行される自律的な地上車両は、流体力を考慮した動的モデルを必要とする。 しかし、現在利用可能なシミュレーションと計画ツールは物理的忠実さを欠いているか、リアルタイムに実行するには計算コストが高すぎるかのいずれかである。 この研究は、幾何学的に異なる2台の車両の高忠実なCFDデータに基づいて訓練された、幾何学的に解決された流体力学力をリアルタイムで予測することで、このギャップを埋める、地下ニューラルネットワークサロゲートを提示する。 車両固有距離場 (SDF) は, 車両形状, 深度, 流れ方向によってどのように荷重が変化するかをモデルが決定できるように, 地下沈下入力を提供する。 ホールドアウトされたCFDデータでは、サロゲートは縦方向の対称MAPE(sMAPE)が13倍、垂直方向のsMAPEが3～12倍となり、1サンプルあたり0.9ms以下で推測される。 実環境下でのモデル評価には,水深の異なるフルスケール車両の水圧試験を用いる。 運動キャプチャーによるキネマティックスは、サロゲート入力として機能し、その結果の予測は、力、速度、深さの間の既知の物理的関係を再現するためにテストされる。 予測されたドラッグは二次的なスピードスケーリング(R^2 \geq 0.97$)に従い、浮力インターセプトは深さで線形にスケールする(R^2 = 0.973$)。 どちらの関係もモデルトレーニング損失にはエンコードされておらず、どちらも個別に予測される表面力を要約する表面構造から生じる。 結果として生じる枠組みは、水陸両用環境において自律的な地上車両が依存するシミュレーションと計画ループに、物理的に接地された流体力学を埋め込むための経路を提供する。

関連論文リスト

• Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
  Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。 本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。 このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
  論文  参考訳（メタデータ） (2026-04-10T17:12:07Z)
• Koopman Operator Framework for Modeling and Control of Off-Road Vehicle on Deformable Terrain [0.0]
  本研究は、自動オフロード車両の予測制御のためのハイブリッド物理インフォームドおよびデータ駆動モデリングフレームワークを提案する。 コープマン線形システムは、変形可能な地形を走行する車両のシミュレーションデータを用いて構築することができる。 予測結果から,軽度地形-標高変動下での短時間水平精度とロバスト性を示した。
  論文  参考訳（メタデータ） (2026-03-30T20:11:23Z)
• Uncertainty-Aware Adaptive Dynamics For Underwater Vehicle-Manipulator Robots [0.5161531917413708]
  本稿では,新しい不確実性を考慮した適応力学モデルフレームワークを提案する。 オンライン推定中に、凸的な物理的一貫性の制約を埋め込む。 4-DOFマニピュレータを搭載したBlueROV2ヘビーの実験は、急速に収束し、キャリブレーションされた予測を示す。
  論文  参考訳（メタデータ） (2026-03-06T18:35:48Z)
• Towards reliable subsea object recovery: a simulation study of an auv with a suction-actuated end effector [1.1984905847118061]
  本稿では,ハダル小型車両(HSV)を用いた完全自律海底物体回収ミッションのシミュレーションに基づく研究について述べる。 ストーンフィッシュシミュレーターは、現実的な車両力学、流体力学の障害、センシング、およびハダルのような条件下での標的物体との相互作用をモデル化するために使用される。 HSVは海面から6000mまで自律的に降下し、構造的な海底被覆を行い、対象物を検出し、吸引による回復を行う。
  論文  参考訳（メタデータ） (2026-01-03T07:55:23Z)
• Forecasting Continuous Non-Conservative Dynamical Systems in SO(3) [51.510040541600176]
  コンピュータビジョンにおける移動物体の回転をモデル化するための新しい手法を提案する。 我々のアプローチは、入力ノイズに対して頑健でありながら、エネルギーと運動量保存に非依存である。 トレーニング中の雑音状態から物体のダイナミクスを近似させることで、シミュレーションや様々な現実世界の設定において頑健な外挿能力が得られる。
  論文  参考訳（メタデータ） (2025-08-11T09:03:10Z)
• HDVIO2.0: Wind and Disturbance Estimation with Hybrid Dynamics VIO [25.489747178670125]
  フル6-DoF, トランスレーショナルおよびローテーション, 車両力学をモデル化し, それらをVIOに密に組み込むHDVIO2.0を提案する。 本システムでは,風速25km/hまでの実地飛行だけでなく,パブリックおよび新しいドローンダイナミックスデータセットを用いた実験における最先端手法の性能を超越している。
  論文  参考訳（メタデータ） (2025-04-01T17:08:27Z)
• A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
  空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。 本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。 ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。 これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
  論文  参考訳（メタデータ） (2024-12-12T16:05:39Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)

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。