物理信息微调动力学网络

小样本高精度预测

将物理模型嵌入神经网络微调过程，在减少训练数据的条件下仍能更准确地估计高速自动驾驶赛车的动力学参数。

Shiming, Fang · Yu, Kaiyan

International Journal of Intelligent Robotics and Applications 2025

技术优势

数据需求降下来

FTHD 只需较小的训练数据集即可超越现有方法，省去大规模数据采集的负担。

物理约束保得住

通过物理信息神经网络融合物理模型，捕捉数据驱动方法难以获得的物理约束，提升估计可靠性。

真实噪声扛得住

嵌入 EKF 的 EKF-FTHD 能有效滤除真实数据噪声，同时保持车辆物理特性，提升鲁棒性。

应用场景

• 自动驾驶赛车动力学控制：提供高精度参数估计用于高速控制策略，提升赛车操控稳定性。
• 高速机器人运动估计：小样本下准确估计高速机器人运动状态，支持快速部署。
• 无人系统状态预测：融合物理约束的预测模型提升无人系统状态预测可靠性。
• 车辆动力学参数辨识：以更少数据和物理先验实现更准确的参数辨识。