論文の概要: DBPnet: Damper Characteristics-Based Bayesian Physics-Informed Neural Network for Wheel Load Estimation

• arxiv url: http://arxiv.org/abs/2605.24860v1
• Date: Sun, 24 May 2026 04:37:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.480755
• Title: DBPnet: Damper Characteristics-Based Bayesian Physics-Informed Neural Network for Wheel Load Estimation
• Title（参考訳）: DBPnet:車輪荷重推定のための減衰特性に基づくベイズ型ニューラルネットワーク
• Authors: Tianyi Wang, Tianyi Zeng, Zimo Zeng, Feiyang Zhang, Yujin Wang, Xiangyu Li, Yiming Xu, Sikai Chen, Junfeng Jiao, Christian Claudel, Xinbo Chen,
• Abstract要約: 車輪の荷重はシャシー制御と安全クリティカルな機能にとって重要な変数である。 複雑なサスペンション幾何学、非線形力学、測定ノイズにより、頑健に推定することは依然として困難である。 ダンパー特性にインスパイアされた物理認識型埋め込みモジュールを備えたベイズ物理学インフォームドニューラルネットワーク(PINN)DBPnetを提案する。
• 参考スコア（独自算出の注目度）: 11.769488706613709
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Advanced driver assistance systems (ADAS) play an important role in modern automotive intelligence, significantly enhancing vehicle safety and stability. The performance of ADAS critically relies on accurate and reliable vehicle state estimation, particularly from vehicle dynamic sensors. Among these signals, wheel load is a key variable for chassis control and safety-critical functions, yet it remains difficult to estimate robustly due to complex suspension geometry, nonlinear dynamics, and measurement noise. To address this issue, we propose DBPnet, a Bayesian physics-informed neural network (PINN) with a physics-aware embedding module inspired by damper characteristics. First, this paper presents a suspension linkage-level modeling (SLLM) approach that constructs a nonlinear instantaneous dynamic model by explicitly considering the complex geometric structure of the suspension. Building upon SLLM, Bayesian inference is integrated into the PINN to effectively cope with noise and uncertainty in the vehicle chassis system, thereby improving the model's robustness. Then, a physics-informed loss function is employed to ensure consistency with fundamental physical principles, while the damper characteristics-inspired embedding module extracts temporal variation features of input signals and incorporates them into each layer of the PINN, ensuring that physical observations guide the neural network without being constrained by fixed physical models. Extensive evaluations on high-fidelity simulations and real-world experiments demonstrate that our DBPnet consistently achieves lower RMSE and MaxError than baseline methods. These results highlight the potential of our DBPnet to advance wheel load estimation and contribute to the development of more reliable ADAS actuator functions.
• Abstract（参考訳）: アドバンストドライバー支援システム(ADAS)は、自動車の安全性と安定性を大幅に向上させ、現代の自動車インテリジェンスにおいて重要な役割を担っている。 ADASの性能は、特に車両のダイナミックセンサーから、正確で信頼性の高い車両状態の推定に大きく依存している。 これらの信号のうち、車輪荷重はシャシー制御と安全臨界関数の重要な変数であるが、複雑なサスペンション幾何、非線形力学、測定ノイズのために頑健に推定することは困難である。 この問題に対処するために、ダンパー特性にインスパイアされた物理認識型埋め込みモジュールを備えたベイズ物理学インフォームドニューラルネットワーク(PINN)DBPnetを提案する。 まず,サスペンションの複雑な幾何学構造を明示的に考慮し,非線形瞬時動的モデルを構築するサスペンションリンクレベルモデリング(SLLM)手法を提案する。 SLLMに基づいてベイジアン推論をPINNに統合し、車体シャシーシステムのノイズや不確実性に効果的に対処し、モデルの堅牢性を向上させる。 次に、物理インフォームドロス関数を用いて基本的な物理原理との整合性を確保する一方、ダンパー特性に着想を得た埋め込みモジュールは入力信号の時間的変動特性を抽出し、それらをPINNの各層に組み込むことにより、物理観測が固定物理モデルに拘束されることなくニューラルネットワークをガイドする。 高忠実度シミュレーションと実世界の実験において、DBPnetはベースライン法よりも低いRMSEとMaxErrorを一貫して達成していることを示す。 これらの結果は、より信頼性の高いADASアクチュエータの開発に寄与し、ホイール負荷推定を推し進めるためのDBPnetの可能性を浮き彫りにした。

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)
• Hebbian Attractor Networks for Robot Locomotion [44.84033948079516]
  ヘビアン可塑性は、変化する環境に迅速に適応するための有望な道を提供する。 Hebbian Attractor Networks (HANs) は創発的アトラクタダイナミクスを誘導する。 その結果、低速更新と平均的なシナプス前後の活性化が組み合わさって、安定した重量構成への収束を促進することが示唆された。
  論文  参考訳（メタデータ） (2026-03-23T19:20:14Z)
• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• Learning Robust Satellite Attitude Dynamics with Physics-Informed Normalising Flow [2.7222301668137483]
  宇宙機の姿勢力学の学習に物理インフォームドニューラルネットワークを組み込むことの利点について検討する。 バシリスクシミュレータで生成されたシミュレーションデータに基づいて複数のモデルを訓練する。 PINNベースのモデルは、制御精度とロバスト性の観点から、純粋にデータ駆動モデルよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-08-11T10:50:49Z)
• Modelling of Underwater Vehicles using Physics-Informed Neural Networks with Control [1.9343033692333778]
  物理インフォームドニューラルネットワーク(PINN)は、物理法則をデータ駆動モデルと統合し、一般化とサンプル効率を改善する。 本研究は,水中車両の力学をモデル化するために設計された物理情報ニューラルネットワーク制御フレームワークのオープンソース実装を紹介する。
  論文  参考訳（メタデータ） (2025-04-28T17:38:57Z)
• Damper-B-PINN: Damper Characteristics-Based Bayesian Physics-Informed Neural Network for Vehicle State Estimation [9.26047003556515]
  動的車輪荷重を推定するためのダンパー特性に基づくベイズ物理学インフォームドニューラルネットワーク(Damper-B-PINN)フレームワークを提案する。 その結果、Damper-B-PINNは、様々なテスト条件、特に極端な方法において、既存のメソッドよりも一貫して優れています。 これらの結果は、動的車輪荷重推定の精度とロバスト性を高めるために提案されたダンパー-B-PINNフレームワークの可能性を強調した。
  論文  参考訳（メタデータ） (2025-02-28T06:46:21Z)
• Transient Fault Tolerant Semantic Segmentation for Autonomous Driving [44.725591200232884]
  本稿では,過渡断層に対するレジリエンスを高めるために設計されたシンプルなアクティベーション関数ReLUMaxを紹介する。 実験により,ReLUMaxはロバスト性を効果的に向上し,性能を保ち,予測信頼性を向上することを示した。
  論文  参考訳（メタデータ） (2024-08-30T00:27:46Z)
• 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)
• Non-Singular Adversarial Robustness of Neural Networks [58.731070632586594]
  小さな入力摂動に対する過敏性のため、アドリヤルロバスト性はニューラルネットワークにとって新たな課題となっている。 我々は,データ入力とモデル重みの共振レンズを用いて,ニューラルネットワークの非特異な対角性の概念を定式化する。
  論文  参考訳（メタデータ） (2021-02-23T20:59:30Z)

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。