物理残差学习框架

微秒级低成本高精度

通过嵌入解析多项式物理骨架,PIRL框架仅利用神经网络学习时变系数,在严格遵循物理规律的同时精准捕捉非线性偏差。

Jinwei, Xiao · 胡敏 · Zhang, Tiantian · Tao, Xuefeng · 张蕊

Aerospace Science and Technology 2027

参数信息

单次转移推断耗时
594 μs
平均相对误差
1.2 %
任务级成本估计误差
4.2 %

技术优势

成本推断快千倍

单次转移成本推断仅需594微秒,使长时间序列规划中的大量成本评估变得实时可行,规划器无需等待高保真数值计算。

误差降一个数量级

平均相对误差相对于高保真数值基准为1.2%,在12节点部署中任务级误差4.2%,远低于传统解析模型的偏差,因此可以规避因成本低估导致的规划失败。

物理规律可硬约束

框架显式嵌入解析多项式结构作为物理骨架,神经网络仅预测时变系数,从根本上保证预测遵守物理定律,而非仅靠数据拟合。

任务级风险被压低

在12节点轨道网格部署实验中,任务级成本估计误差被限制在4.2%,有效绕过传统解析方法中因成本低估导致的规划失败。

应用场景