Modelling of Underwater Vehicles using Physics-Informed Neural Networks with Control

要約

物理学に基づいたニューラルネットワーク（PINN）物理法則をデータ駆動型モデルと統合して、一般化とサンプル効率を改善します。
この作業では、水中車両のダイナミクスをモデル化するように設計された、コントロール（PINC）フレームワークを備えた物理学に基づいたニューラルネットワークのオープンソースの実装を紹介します。
初期状態、制御アクション、および時間入力を使用して、PINCはPINNを拡張して、トレーニングドメインを超えて物理的に一貫した遷移を可能にします。
さまざまな損失関数、勾配重合スキーム、ハイパーパラメーターなど、さまざまなPINC構成がテストされています。
シミュレートされた水中車両の検証は、非物理学に基づいたベースラインと比較して、より正確な長期予測を示しています

要約(オリジナル)

Physics-informed neural networks (PINNs) integrate physical laws with data-driven models to improve generalization and sample efficiency. This work introduces an open-source implementation of the Physics-Informed Neural Network with Control (PINC) framework, designed to model the dynamics of an underwater vehicle. Using initial states, control actions, and time inputs, PINC extends PINNs to enable physically consistent transitions beyond the training domain. Various PINC configurations are tested, including differing loss functions, gradient-weighting schemes, and hyperparameters. Validation on a simulated underwater vehicle demonstrates more accurate long-horizon predictions compared to a non-physics-informed baseline

arxiv情報

提供元, 利用サービス

arxiv.jp, Google