論文の概要: Prediction of Nonlinear Oscillations in a Jumping Quarter-Car Model Using Reservoir Computing
- arxiv url: http://arxiv.org/abs/2609.22205v1
- Date: Tue, 01 Sep 2026 05:22:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-28 05:09:55.770534
- Title: Prediction of Nonlinear Oscillations in a Jumping Quarter-Car Model Using Reservoir Computing
- Title（参考訳）: 貯留層計算を用いた跳躍四輪車モデルにおける非線形振動の予測
- Abstract要約: ジャンプ四輪車モデルのデータ駆動予測における貯水池計算の可能性について検討する。
訓練された貯水池は、周期的なカオスへの経路を定性的に再現し、周期的およびカオス的アトラクションの幾何学的構造をキャプチャする。
その結果, 貯水池コンピューティングは, 実用的な非滑らかな車両システムにおいて, 非線形力学を予測可能なデータ駆動型予測器であることを実証した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Reliable prediction of vehicle dynamics is essential for smart driving applications such as autonomous control and advanced driver-assistance systems. Off-road vehicles used in agricultural and construction settings are particularly prone to nonlinear behavior, including bifurcations and chaotic motion arising from intermittent loss of tire--road contact. Predicting such dynamics is challenging because it requires resolving both smooth nonlinearities and the discontinuous switching associated with contact loss. In this work, we investigate the feasibility of reservoir computing (RC) -- specifically an echo state network (ESN) -- for data-driven prediction of a jumping quarter-car model. The reservoir is trained on time-series data from a small number of points and evaluated on its ability to reconstruct bifurcation diagrams, phase-space attractors, and time trajectories across periodic and chaotic regimes. The trained reservoir qualitatively reproduces the period-doubling route to chaos, captures the geometric structure of periodic and chaotic attractors. These results demonstrate that reservoir computing is a feasible data-driven predictor of nonlinear dynamics in a practical, non-smooth vehicle system.
- Abstract（参考訳）: 自動車力学の信頼性の予測は、自律制御や先進運転支援システムのようなスマート運転アプリケーションに不可欠である。
農業・建設現場で使用されるオフロード車両は、タイヤ・ロード接触の断続的損失に起因する分岐やカオス運動などの非線形挙動が特に顕著である。このようなダイナミクスの予測は、接触損失に伴うスムーズな非線形性と不連続な切替の両方を解消する必要があるため、困難である。この記事では、跳躍四輪車モデルのデータ駆動予測のための貯水池コンピューティング(RC)、特にエコー状態ネットワーク(ESN)の実現可能性について検討する。
貯水池は、少数の点からの時系列データに基づいて訓練され、分岐図、位相空間アトラクタ、周期的およびカオス的な状態における時間軌道を再構築する能力に基づいて評価される。
訓練された貯水池は、周期的なカオスへの経路を質的に再現し、周期的およびカオス的誘引者の幾何学的構造をキャプチャする。
これらの結果から, 貯水池コンピューティングは, 実用的な非滑らかな車両システムにおいて, 非線形力学を予測可能なデータ駆動型予測器であることが示唆された。
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) - Covariance-Regulated Recursive Koopman Learning for Nonlinear Systems with Uncertain Time-Varying Dynamics [25.933323260176167]
本稿では,2つの相補的戦略を持つ共分散型再帰的クープマン学習(CR-RKL)フレームワークを提案する。
CR-RKLは数値的に安定かつ正確なオンラインモデリングを実現し、モデル予測制御に組み込むと、不確実な時間変化のダイナミクスの下で信頼性の高いトラッキング性能を維持する。
論文 参考訳（メタデータ） (2026-06-13T14:22:24Z) - 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) - Learning Spatio-Temporal Dynamics for Trajectory Recovery via Time-Aware Transformer [9.812530969395906]
現実世界の応用では、GPSトラジェクトリはサンプリングレートが低く、連続する点の間に大きく不規則な間隔があることが多い。
本稿では,軌道サンプリング率の向上をめざして,地図制約のトラジェクトリリカバリの課題に対処する。
論文 参考訳（メタデータ） (2025-05-20T03:09:17Z) - Tailored minimal reservoir computing: on the bidirectional connection between nonlinearities in the reservoir and in data [0.0]
入力データにおける非線形性の度合いが貯水池コンピュータの最適設計にどのように影響するかを検討する。
調整可能な1つの非線形パラメータに最小のRCを還元することにより,貯水池の非線形性の度合いによって予測性能がどう変化するかを検討する。
実験の結果,貯水池の非線形性がデータに存在する非線形性と一致した場合に予測性能が最大になることがわかった。
論文 参考訳（メタデータ） (2025-04-24T12:47:21Z) - Generative System Dynamics in Recurrent Neural Networks [56.958984970518564]
リカレントニューラルネットワーク(RNN)の連続時間ダイナミクスについて検討する。
線形および非線形構成の両方において安定な極限サイクルを実現するためには,スキュー対称性の重み行列が基本であることを示す。
数値シミュレーションは、非線形活性化関数が極限周期を維持するだけでなく、システム統合プロセスの数値安定性を高めることを示す。
論文 参考訳（メタデータ） (2025-04-16T10:39:43Z) - Nonlinear Neural Dynamics and Classification Accuracy in Reservoir Computing [3.196204482566275]
複雑度の異なる人工分類タスクにおける貯水池コンピュータの精度について検討する。
極端に非線形性が低下した活性化関数や弱いリカレント相互作用、小さな入力信号であっても、貯水池は有用な表現を計算することができる。
論文 参考訳（メタデータ） (2024-11-15T08:52:12Z) - Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Extrapolating tipping points and simulating non-stationary dynamics of
complex systems using efficient machine learning [2.44755919161855]
本稿では,非線形力学系の分岐挙動を外挿する次世代貯水池計算に基づく,完全データ駆動型機械学習アルゴリズムを提案する。
こうすることで、目に見えないパラメータ領域のポストタイピングポイントダイナミクスをシミュレートすることができる。
論文 参考訳（メタデータ） (2023-12-11T10:37:28Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z)
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。