Aug, 2022

面向控制的域感知神经网络模型用于自主水下车辆

PDF
TL;DR本文介绍了利用已知系统结构和先前的物理知识创造受约束的深度神经动力系统模型的具有不同程度领域知识的控制定向参数模型。使用通用微分方程构造了 AUV 动力学的数据驱动的黑盒和灰箱表示，评估了不同初始条件和控制输入的学习模型的预测性能，以评估其准确性，泛化性和控制适用性。
发现论文，激发创造
  • 面向水下无人机在水流干扰下的自适应控制参数的虚实转换

    利用学习驱动的自适应控制方法，结合基于模型的控制架构以及最大熵深度强化学习框架，提出了一种适应控制器的创新方法，通过生物启发的经验回放机制、增强的领域随机化技术和在物理平台上的评估协议来实现仿真到真实的迁移策略，实验证明该方法能够从 AUV 的次优仿真模型中学到有效的策略，并在实际环境中将控制性能提高 3 倍。

    Oct, 2023

  • 基于数据驱动的多目标振翅式无人水下机器人控制系统的机器学习模型

    利用时间序列神经网络代替推进力学模型，开发搜索式反向模型控制系统，以多个目标为目标，找到一组鳍动力学参数，并演示了如何集成此模型来进行在线控制。

    Sep, 2022

  • 水下对接的高效检测与控制系统：基于机器学习和逼真仿真的综合方法

    比较不同的深度学习架构以实现水下对接检测和分类，并使用知识蒸馏压缩具有最佳性能的架构，利用生成对抗网络进行图像转换以模拟真实水下图像，最终评估该方法的成功率并与传统视觉方法进行比较。

    Nov, 2023

  • 一种生物启发的神经动力学辅助无人水下航行器的混合跟踪控制策略

    该研究论文提出了一种基于仿生神经动力学模型的新型混合控制策略，以提高无人水下车辆的跟踪控制，将改进后的后向运动学控制策略与新型滑模控制相结合，以实现控制信号的平滑性，这在无人水下车辆的实际应用中尤为重要。

    Sep, 2022

  • 水下航行器外壳的高效可替代设计优化

    本研究探讨了在无人水下器（UUV）的设计过程中，采用计算流体动力学（CFD）与基于深度神经网络（DNN）的代理模型相结合，通过贝叶斯优化（BO）实现高效样本及快速数据驱动的 UUV 设计优化问题，结果表明，BO LCB 算法是最具高效的优化框架，DNN 代理模型可以实现计算的极速提升与相关精度的优化。

    Apr, 2023

  • 基于多目标物理引导循环神经网络的非自治动态系统识别

    本研究提出了一种基于物理引导的混合建模方法，通过在传统物理模型的基础上引入循环神经网络并使用复杂的多目标策略进行训练，以生成物理可行的非自治系统模型，进而与物理模型进行比较，在实验数据上取得了显著的准确性提升.

    Apr, 2022

  • 刚体动力学的结构化学习：从机器人学角度的调查和统一视角

    本文综述了一些通过将数据驱动建模与先前的解析知识相结合的监督回归模型，以在具有刚体力学描述的系统动力学建模中提高数据的效率和物理完整性，并分析了刚体力学的各种潜在函数和算子。

    Dec, 2020

  • 使用数据驱动方法进行 DVL 校准

    提出了一个端到端深度学习框架，用于自主水下车辆（AUVs）的校准程序，使用刺激数据表明，相较于基于模型的方法，我们的提议在准确性方面提高了 35％，在所需校准时间方面提高了 80％。

    Jan, 2024

  • 基于分布式神经动力学的反步最优控制：鲁棒约束一致性下的非完全驱动水下车队

    该论文采用一种基于共识的优化协调协议和鲁棒控制器，通过引入球面坐标变换和分布式优化运动协调策略解决了非完整约束问题，并设计了基于神经动力学的鲁棒反馈控制器来处理欠驱动问题，确保在存在未知干扰情况下，UUVs 编队系统的稳定性和所有状态的一致有界性。通过广泛的仿真比较，验证了所得到的最优编队跟踪协议的优越性和有效性。

    Aug, 2023

  • 深度动力学：基于物理知识的神经网络车辆动力学建模

    该研究论文介绍了一种用于模拟自动赛车车辆动力学的物理知识神经网络（PINN），它通过物理系数估计和动力学方程准确预测高速下的车辆状态，并包含了一个独特的物理约束层来确保内部系数估计保持在其标称物理范围内，相关实验表明该方法对于建模赛车车辆动力学具有良好的潜力。

    Dec, 2023