論文の概要: A Differentiable Composite Approximation Framework for Autonomous Underwater Vehicle Maneuvering Modeling from Sea-Trial Data
- arxiv url: http://arxiv.org/abs/2606.19711v1
- Date: Thu, 18 Jun 2026 02:21:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-19 18:23:39.610234
- Title: A Differentiable Composite Approximation Framework for Autonomous Underwater Vehicle Maneuvering Modeling from Sea-Trial Data
- Title（参考訳）: 海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海・海
- Authors: Aobo Wang, Aifei Xia, Zihao Wang, Lizhu Hao,
- Abstract要約: フィールドベースモデリングは、実際の動作特性を反映したAUVオペレーティングモデルを生成することができる。
近似の観点からは、従来の操作モデルは事前に定義された制約ベースを使用し、データ駆動モデルはデータ適応ベースを使用する。
フルスケールのAUV操作予測のための勾配に基づく共校正法を開発した。
- 参考スコア（独自算出の注目度）: 15.681143313181606
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Field-based modeling from onboard measurements can produce autonomous underwater vehicle (AUV) maneuvering models that reflect real operating characteristics. From an approximation perspective, conventional maneuvering models use predefined constraint polynomial bases, whereas data-driven models use data-adaptive bases. Motivated by this basis-function view, this paper presents a differentiable composite-approximation formulation, in which the polynomial-basis component and the data-adaptive basis component are treated as differentiable parts of a single predictor and calibrated jointly. A gradient-based co-calibration method is developed for full-scale AUV maneuvering prediction, where a sensitivity-aware mechanism regulates bounded polynomial updates while the neural residual captures remaining nonlinear discrepancies under a shared prediction objective. To account for ocean-current effects in field data, a turning-motion-based current estimation and compensation procedure is incorporated to construct current-compensated learning targets for training and rollout. The framework is evaluated using sea-trial data collected from a 7-meter AUV under multiple maneuvering conditions. Results show that the proposed method improves recursive trajectory and velocity prediction compared with polynomial-only, neural-only, and frozen-prior hybrid baselines, demonstrating its applicability to field-data-based AUV maneuvering modeling.
- Abstract（参考訳）: 実動特性を反映した自律型水中車両(AUV)の操縦モデルを作成することができる。
近似の観点からは、従来の操作モデルは予め定義された制約多項式ベースを使用し、データ駆動モデルはデータ適応ベースを使用する。
本稿では, 多項式基底成分とデータ適応基底成分を1つの予測器の微分可能な部分として扱い, 共同でキャリブレーションした, 微分可能な複合近似式を提案する。
感度認識機構が有界多項式の更新を制御し、ニューラル残差が残りの非線形不一致を共有予測対象下でキャプチャする、フルスケールのAUV操作予測のための勾配に基づくコキャリブレーション法を開発した。
フィールドデータにおける海流の影響を考慮し、トレーニングとロールアウトのための電流補償学習目標を構築するために、回転型電流推定と補償手順が組み込まれている。
このフレームワークは、複数の操作条件下で7mのAUVから収集した海中データを用いて評価される。
提案手法は, 多項式のみ, ニューラルのみ, 凍結優先のハイブリッドベースラインと比較して, 再帰軌道と速度予測を改良し, フィールドデータに基づくAUV操作モデルへの適用性を示した。
関連論文リスト
- Regularized Machine Learning for System Identification of Ship Free-Running Manoeuvres from CFD-Based Synthetic Data: A Comparative Study [0.0]
本研究では,CFD生成データから船舶の流体力学係数を同定するための教師付き機械学習手法について検討した。
トレーニングおよび検証データセットは、ジグザグと回転円運動のURANSシミュレーションから導かれる。
正規化回帰技術は、多重線型性を効果的に軽減し、予測精度を顕著に向上させる。
論文 参考訳（メタデータ） (2026-06-15T12:42:29Z) - Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。
このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。
多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
論文 参考訳（メタデータ） (2026-05-28T13:26:53Z) - Conditional Neural Field based Reduced Order Model for Dynamic Ditching Load Prediction [0.0]
航空機の降着荷重の予測に使用される条件付きニューラルネットワーク。
DLR-D150航空機の胴体の動的負荷に対する2つのデータセットを用いてモデルを評価する。
その結果,不均一な空間的離散化のために,グルーピング負荷を正確に再構築するニューラルネットワークアプローチの有効性が示された。
論文 参考訳（メタデータ） (2026-05-05T16:03:58Z) - Fractional-order Modeling for Nonlinear Soft Actuators via Particle Swarm Optimization [49.34452620841728]
本稿では, ソフト材料の動的挙動を捉えるために, 分数次微分方程式(FODE)に基づく革新的なモデリング手法を提案する。
提案手法は,ソフトアクチュエータに固有の複雑な変形現象を効果的に表現する。
論文 参考訳（メタデータ） (2025-12-20T04:46:25Z) - Model-Based Policy Adaptation for Closed-Loop End-to-End Autonomous Driving [54.46325690390831]
本稿では,事前学習したE2E運転エージェントのロバスト性と安全性を高めるための汎用フレームワークとして,モデルベースポリシー適応(MPA)を提案する。
MPAは、ジオメトリ一貫性のあるシミュレーションエンジンを用いて、まず様々な対物軌道を生成する。
MPAは拡散ベースのポリシーアダプタを訓練し、基本方針の予測を洗練させ、Q値モデルを多段階に分けて長期的な結果を評価する。
論文 参考訳（メタデータ） (2025-11-26T17:01:41Z) - Nonparametric Data Attribution for Diffusion Models [57.820618036556084]
生成モデルのデータ属性は、個々のトレーニング例がモデル出力に与える影響を定量化する。
生成画像とトレーニング画像のパッチレベルの類似性によって影響を測定する非パラメトリック属性法を提案する。
論文 参考訳（メタデータ） (2025-10-16T03:37:16Z) - CoCAI: Copula-based Conformal Anomaly Identification for Multivariate Time-Series [0.3495246564946556]
本稿では、生成人工知能とコプラに基づくモデリングの力を利用して、正確な予測を行い、堅牢な異常検出を可能にする新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2025-07-23T14:15:31Z) - Exploring Patterns Behind Sports [3.2838877620203935]
本稿では、ARIMAとLSTMを組み合わせたハイブリッドモデルを用いて、時系列予測のための包括的なフレームワークを提案する。
このモデルには埋め込みやPCAといった機能エンジニアリング技術が組み込まれており、生データを低次元の表現に変換する。
論文 参考訳（メタデータ） (2025-02-11T11:51:07Z) - Simulation-based Inference for High-dimensional Data using Surjective Sequential Neural Likelihood Estimation [45.9982965995401]
我々はSBI(Surjective Sequential Neural Likelihood Estimation)という,シミュレーションベース推論(SBI)手法のファミリーにおける新しいメンバーを提案する。
SSNL は次元共振型正規化フローモデルに適合し、マルコフ連鎖モンテカルロあるいは変分ベイズ法による計算推論を可能にする代理可能性関数として利用する。
SSNLは、天体物理学と神経科学の文献から得られた2つの挑戦的な実例を含む、多種多様な実験で評価し、その成果が、最先端の手法に匹敵するか、同等であることを示す。
論文 参考訳（メタデータ） (2023-08-02T10:02:38Z) - Probabilistic Traffic Forecasting with Dynamic Regression [15.31488551912888]
本稿では,交通予測における誤り過程の学習を取り入れた動的回帰(DR)フレームワークを提案する。
このフレームワークは、行列構造自己回帰(AR)モデルを用いてベースモデルのエラー系列をモデル化することにより、時間独立の仮定を緩和する。
新たに設計された損失関数は、非等方的誤差項の確率に基づいており、モデルがベースモデルの元の出力を保持しながら確率的予測を生成することができる。
論文 参考訳（メタデータ） (2023-01-17T01:12:44Z)
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。