Hybrid Physics-ML Modeling for Marine Vehicle Maneuvering Motions in the Presence of Environmental Disturbances

要約

環境障害の存在下でのモデリング能力と安定性に対処するために、Surface Vehiclesの操縦動作には、ハイブリッド物理マシン学習モデリングフレームワークが提案されています。
深い学習の観点から、フレームワークは、追加の機能抽出を備えた残差ネットワークのバリアントバージョンに基づいています。
当初、不完全な物理モデルが導出され、識別され、海洋車両の基本的な流体力学的特性をキャプチャします。
このモデルは、残差ブロックを介してフィードフォワードネットワークと統合されます。
さらに、三角測定の変換からの特徴抽出が機械学習コンポーネントで採用され、電流と波の周期的な影響を説明します。
提案された方法は、「JH7500」無人の表面車両の実際のナビゲーションデータを使用して評価されます。
結果は、特定の環境条件における非線形動的モデルの堅牢な一般化可能性と正確な長期予測機能を示しています。
このアプローチには、包括的な高忠実度シミュレーターを開発するために拡張および適用される可能性があります。

要約(オリジナル)

A hybrid physics-machine learning modeling framework is proposed for the surface vehicles’ maneuvering motions to address the modeling capability and stability in the presence of environmental disturbances. From a deep learning perspective, the framework is based on a variant version of residual networks with additional feature extraction. Initially, an imperfect physical model is derived and identified to capture the fundamental hydrodynamic characteristics of marine vehicles. This model is then integrated with a feedforward network through a residual block. Additionally, feature extraction from trigonometric transformations is employed in the machine learning component to account for the periodic influence of currents and waves. The proposed method is evaluated using real navigational data from the ‘JH7500’ unmanned surface vehicle. The results demonstrate the robust generalizability and accurate long-term prediction capabilities of the nonlinear dynamic model in specific environmental conditions. This approach has the potential to be extended and applied to develop a comprehensive high-fidelity simulator.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google