論文の概要: Residual Physics-Informed Neural Networks for High-Fidelity BLDC Motor Modeling

• arxiv url: http://arxiv.org/abs/2607.09136v1
• Date: Fri, 10 Jul 2026 06:47:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 16:48:13.425349
• Title: Residual Physics-Informed Neural Networks for High-Fidelity BLDC Motor Modeling
• Title（参考訳）: 高忠実性BLDCモータモデリングのための残留物理インフォームドニューラルネットワーク
• Abstract要約: 本稿では,6状態BLDCモータの連続的サロゲートを学習する物理情報ニューラルネットワーク(PINN)を提案する。 トレーニングが完了すると、PINN推論はクエリ毎に0.1--22, mu sのレイテンシを達成し、従来のODEソルバよりも最大118倍高速になる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate dynamics modeling of Brushless DC (BLDC) motors is fundamental to high-performance robotic joint control. This paper presents a Physics-Informed Neural Network (PINN) with a deep residual (ResNet) backbone that learns a continuous-time surrogate of the full six-state BLDC motor dynamics. Given simulation time, applied three-phase voltages, and excitation parameters as inputs, the network directly predicts all motor state variables -- rotor angle, angular velocity, three-phase currents, and winding temperature -- while simultaneously satisfying the governing electromechanical and thermal ODEs through a composite physics-data loss. A curriculum scheduling strategy gradually activates the physics penalty to prevent premature convergence. Training runs are completed in under two minutes on a standard CPU. Crucially, once trained, PINN inference achieves latencies of 0.1--22, mu s per query, up to 118x faster than conventional ODE solvers, making it suitable for real-time observer and control applications.
• Abstract（参考訳）: ブラシレスDC(BLDC)モータの正確な力学モデリングは、高性能なロボット関節制御の基礎となる。 本稿では,6状態BLDC運動力学の連続的サロゲートを学習する残差(ResNet)の深いバックボーンを持つ物理情報ニューラルネットワーク(PINN)を提案する。 シミュレーション時間、三相電圧、励起パラメータが入力として適用されると、ネットワークは、複合物理データ損失によって制御された電気機械と熱のODEを同時に満足させながら、ロータ角、角速度、三相電流、巻線温度といった全ての運動状態変数を直接予測する。 カリキュラムスケジューリング戦略は、段階的に物理ペナルティを活性化し、早めの収束を防ぐ。 トレーニング実行は、標準CPUで2分以内で完了する。 重大に訓練されたPINN推論は、クエリ毎に0.1--22, mu sのレイテンシを実現し、従来のODEソルバよりも最大118倍高速で、リアルタイムオブザーバや制御アプリケーションに適している。

関連論文リスト

• A Neural Network Based Teleoperation for Remote Controlled Vehicles [98.38733381483934]
  車両の直接遠隔操作は重要な技術的ボトルネックに直面している。 通信遅延とオペレーターの 物理的に知覚できない 未モデル化の環境障害。 本稿では,一方的な遠隔操作フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-11T01:51:08Z)
• Few-Shot Physics-Informed Neural Network for Shape Reconstruction of Concentric-Tube Robots [4.539331900295919]
  既設管を3本有する6-DoF CTRのキネマティックモデリングのための物理インフォームドニューラルネットワーク(PINN)を提案する。 PINNは、形状、ねじれ角、ねじれひずみ、曲げモーメント、方向の完全な状態推定を可能にする。 結果として得られるモデルは、計算的に効率的で堅牢であり、リアルタイム制御アプリケーションにも適している。
  論文  参考訳（メタデータ） (2026-05-12T22:07:53Z)
• 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)
• Graph Neural ODE Digital Twins for Control-Oriented Reactor Thermal-Hydraulic Forecasting Under Partial Observability [6.370970195988317]
  高度原子炉のリアルタイム監視制御には、プラント全体の熱水和状態の正確な予測が必要である。 物理インフォームドメッセージパス型微分ニューラルネットワークとニューラル正規方程式(GNN-ODE)を提案する。 GNN-ODEサロゲートはシステムダイナミクス予測に満足な結果が得られる。
  論文  参考訳（メタデータ） (2026-04-08T16:58:14Z)
• Langevin Flows for Modeling Neural Latent Dynamics [81.81271685018284]
  逐次変分自動エンコーダであるLangevinFlowを導入し、潜伏変数の時間的進化をアンダーダム化したLangevin方程式で制御する。 われわれのアプローチは、慣性、減衰、学習されたポテンシャル関数、力などの物理的事前を組み込んで、ニューラルネットワークにおける自律的および非自律的プロセスの両方を表現する。 本手法は,ロレンツ誘引器によって生成される合成神経集団に対する最先端のベースラインより優れる。
  論文  参考訳（メタデータ） (2025-07-15T17:57:48Z)
• Simulation of a closed-loop dc-dc converter using a physics-informed neural network-based model [0.0]
  現在、商用の時間領域シミュレーションソフトウェアは、主に電力エレクトロニクスをシミュレートするための物理学に基づく手法に依存している。 近年の研究では、データ駆動型および物理インフォームドラーニング手法により、精度の妥協を限定してシミュレーション速度を向上できることが示されている。
  論文  参考訳（メタデータ） (2025-06-23T22:44:56Z)
• Physics Encoded Blocks in Residual Neural Network Architectures for Digital Twin Models [2.8720819157502344]
  物理インフォームド・機械学習は、デジタル双生児におけるモデリングとシミュレーションの一般的なアプローチとして登場した。 本稿では,新しい物理符号化残差ニューラルネットワークアーキテクチャに基づく汎用的アプローチを提案する。 本手法は、物理モデルとフィードフォワード学習ブロックとから、微分可能な物理ブロックを実装する数学的演算子を統合する。
  論文  参考訳（メタデータ） (2024-11-18T11:58:20Z)
• 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)
• MINN: Learning the dynamics of differential-algebraic equations and application to battery modeling [2.1303885995425635]
  モデル統合ニューラルネットワーク(MINN)と呼ばれる新しい機械学習アーキテクチャを提案する。 MINNは偏微分代数方程式(PDAE)からなる一般自律系または非自律系の物理に基づくダイナミクスを学ぶ 提案したニューラルネットワークアーキテクチャを用いてリチウムイオン電池の電気化学的ダイナミクスをモデル化する。
  論文  参考訳（メタデータ） (2023-04-27T09:11:40Z)
• 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)
• Real-time Neural-MPC: Deep Learning Model Predictive Control for Quadrotors and Agile Robotic Platforms [59.03426963238452]
  モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。 ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
  論文  参考訳（メタデータ） (2022-03-15T09:38:15Z)
• Hamiltonian-based Neural ODE Networks on the SE(3) Manifold For Dynamics Learning and Control [15.26733033527393]
  我々は、状態制御トラジェクトリのトレーニングセット上で、ロボットのダイナミクスを近似するために機械学習技術を使用する。 我々は、学習された、潜在的に不安定なSE(3)ハミルトン動力学のためのエネルギー整形および減衰注入制御を開発する。
  論文  参考訳（メタデータ） (2021-06-24T06:13:20Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)
• Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
  本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。 数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。 我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
  論文  参考訳（メタデータ） (2020-06-02T23:38:35Z)

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。