物理信息高斯过程回归

这是一个融合机理先验与数据驱动的动力学学习方法，通过Hamels形式与变分积分器将系统内在几何结构嵌入高斯过程回归，实现更符合物理规律的学习与预测。

Tianzhi, Li · 王金枝

2023

技术优势

嵌入物理先验

将系统动力学方程作为先验信息融入高斯过程回归，使学习过程遵循已知物理规律。

保持几何结构

采用变分积分器进行离散化，能够保持系统的内在几何结构，避免传统方法的结构失真。

在平面摆上验证

通过平面摆的数值实验验证了算法的计算性能，证实了方法的有效性。

应用场景

• 动力学学习：用于学习机械系统的动力学模型，替代纯数据驱动方法，提高预测的物理一致性。
• 系统辨识：用于从数据中辨识具有几何结构的系统模型，为控制和仿真提供基础。
• 智能传感与预测：用于对动力学系统进行状态预测，结合物理先验提升预测精度和可靠性。
• 机器人控制：为机器人关节等机械系统提供动力学模型，支持基于模型的控制律设计。