arXiv:2106.03142

A Physics-Informed Deep Learning Paradigm for Traffic State and Fundamental Diagram Estimation

Rongye Shi, Zhaobin Mo, Kuang Huang, Xuan Di, Qiang Du

제출 2021-06-06

원문 초록

Traffic state estimation (TSE) bifurcates into two categories, model-driven and data-driven (e.g., machine learning, ML), while each suffers from either deficient physics or small data. To mitigate these limitations, recent studies introduced a hybrid paradigm, physics-informed deep learning (PIDL), which contains both model-driven and data-driven components. This paper contributes an improved version, called physics-informed deep learning with a fundamental diagram learner (PIDL+FDL), which integrates ML terms into the model-driven component to learn a functional form of a fundamental diagram (FD), i.e., a mapping from traffic density to flow or velocity. The proposed PIDL+FDL has the advantages of performing the TSE learning, model parameter identification, and FD estimation simultaneously. We demonstrate the use of PIDL+FDL to solve popular first-order and second-order traffic flow models and reconstruct the FD relation as well as model parameters that are outside the FD terms. We then evaluate the PIDL+FDL-based TSE using the Next Generation SIMulation (NGSIM) dataset. The experimental results show the superiority of the PIDL+FDL in terms of improved estimation accuracy and data efficiency over advanced baseline TSE methods, and additionally, the capacity to properly learn the unknown underlying FD relation.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2503.08904cs.LG공통 태그 State Estimation공식 코드 · Papers with Code

얕은 순환 디코더 네트워크를 활용한 순환 연료 원자로의 효율적인 매개변수 기반 상태 추정

Towards Efficient Parametric State Estimation in Circulating Fuel Reactors with Shallow Recurrent Decoder Networks

최근 데이터 기반 방법론의 발전은 공학 시스템의 정확한 상태 재구성을 제공하는 새로운 접근법의 토대를 마련했습니다. 특히 4세대(Generation-IV) 원자로와 같은 신기술의 경우, 관련된 강결합 물리 현상의 복잡성과 극도로 가혹하고 적대적인 환경으로 인해 원자로는 이러한 과제에서 특히 까다로운 적용 대상입니다. 데이터 기반 기법은 전산 대리 모델과 시스템의 국소적 노이즈 측정값을 포함한 다양한 정보 소스를 결합하여 상태를 강건하게 추정할 수 있습니다. 본 연구에서는 새로운 얕은 순환 디코더(Shallow Recurrent Decoder) 아키텍처를 활용하여, 단 3개의 노외 시계열 중성자속 측정값만으로 원자로의 전체 상태 벡터(중성자속, 전구물질 농도, 온도, 압력 및 속도 포함)를 추론(inference)합니다. 특히 본 논문은 매개변수화된 시계열 데이터를 처리할 수 있도록 표준 아키텍처를 확장하여, 다양한 사고 시나리오를 조사할 수 있도록 보장하고 여러 운전 조건에서 정확한 상태 추정을 제공하는 본 접근법의 성능을 보여줍니다. 본 논문에서는 액체 상태의 연료 특성으로 인해 중성자 물리학과 열수력학 간의 강한 결합이 특징인 4세대 원자로 개념인 용융염 고속로(MSFR, Molten Salt Fast Reactor)를 테스트 케이스로 고려합니다. 본 연구의 유망한 결과는 상당히 낮은 학습(training) 비용 덕분에 상태 추정과 관련된 불확실성을 정량화할 수 있다는 점에 의해 더욱 강화됩니다. 실시간으로 모든 특성 필드를 정확하게 재구성할 수 있어, 본 접근법은 원자로 디지털 트윈 프레임워크 내에서 모니터링 및 제어 목적에 적합합니다.

arXiv:2504.06479cs.RO공통 태그 State Estimation공식 코드 · Papers with Code

Holistic Fusion: 팩터 그래프 기반 작업 및 설정에 구애받지 않는 로봇 위치 추정 및 상태 추정

Holistic Fusion: Task- and Setup-Agnostic Robot Localization and State Estimation with Factor Graphs

도전적인 환경에서 이동 로봇의 원활한 운용을 위해서는 저지연 국소 운동 추정과 정확한 전역 위치 추정이 필요하다. 대부분의 센서 융합(sensor fusion) 접근법은 특정 시나리오를 위해 설계되지만, 본 연구는 일반성과 사용성을 특징으로 하는 작업 및 설정에 구애받지 않는 다중모달 센서 융합을 위한 유연한 오픈소스 솔루션을 제안한다. Holistic Fusion은 센서 융합을 i) 국소 및 전역 로봇 상태와 ii) (이론적으로 무제한적인 수의) 동적 변수(기준 좌표계의 자동 정렬 포함)의 결합 추정 문제로 공식화한다. 이 공식화는 개념적 수정 없이 수많은 실세계 응용에 적용 가능하며, 하드코딩된/작업 특화 접근법을 넘어서는 포괄적 솔루션을 제공한다. 제안된 팩터 그래프(factor graph) 공식화는 서로 다른 좌표계에 대해 표현된 임의 개수의 절대, 국소, 랜드마크(landmark) 측정값을 최적화(optimization)의 상태로 명시적으로 포함하고 그 진화를 랜덤 워크(random walk)로 모델링함으로써 직접 융합할 수 있게 한다. 또한 추정 점프를 방지하기 위해 국소적 평활성과 일관성에 특별한 주의를 기울인다. Holistic Fusion은 일반적인 로봇 하드웨어에서 저지연且 부드러운 온라인 상태 추정을 가능하게 하면서 동시에 IMU 측정 속도에서 저드리프트(low-drift) 전역 위치 추정을 제공한다. 공개된 이 프레임워크 [1]의 효과는 서로 다른 작업 요구사항을 갖는 세 가지 로봇 플랫폼에서 다섯 가지 실세계 시나리오를 통해 입증되며, 다양한 절대 측정 유형의 융합 이점 [2]을 강조한다. [1] 코드: https://github.com/leggedrobotics/holistic_fusion [2] 프로젝트: https://leggedrobotics.github.io/holistic_fusion

토론

이 논문과 연결된 포럼 글이 아직 없습니다.