arXiv:2606.19711v1 cs.RO

해상 시험 데이터로부터 자율 수중 운동체 기동 모델링을 위한 미분 가능한 복합 근사 프레임워크

A Differentiable Composite Approximation Framework for Autonomous Underwater Vehicle Maneuvering Modeling from Sea-Trial Data

Aobo Wang, Aifei Xia, Zihao Wang, Lizhu Hao

제출 2026-06-18

한국어 초록

온보드 측정에 기반한 현장 기반 모델링은 실제 운용 특성을 반영하는 자율 수중 운동체(AUV) 기동 모델을 생성할 수 있습니다. 근사 관점에서 볼 때, 기존 기동 모델은 미리 정의된 제약 다항식 기저를 사용하는 반면, 데이터 기반 모델은 데이터 적응형 기저를 사용합니다. 이러한 기저 함수 관점에서 동기를 얻어, 본 논문은 미분 가능한 복합 근사 정식화를 제시합니다. 여기서 다항식 기저 구성 요소와 데이터 적응형 기저 구성 요소는 단일 예측기의 미분 가능한 부분으로 처리되어 공동으로 보정됩니다. 실물 규모 AUV 기동 예측을 위해 그래디언트 기반 공동 보정 방법이 개발되었으며, 여기서 민감도 인식 메커니즘은 유계 다항식 업데이트를 조절하는 반면, 신경망 잔차는 공유된 예측 목표 하에서 남은 비선형 불일치를 포착합니다. 현장 데이터의 해류 효과를 고려하기 위해, 선회 운동 기반 해류 추정 및 보정 절차를 통합하여 학습 및 롤아웃을 위한 해류 보정된 학습 타겟을 구성합니다. 이 프레임워크는 다양한 기동 조건에서 7미터 AUV로부터 수집된 해상 시험 데이터를 사용하여 평가되었습니다. 결과는 제안된 방법이 다항식 전용, 신경망 전용, 고정 사전 하이브리드 기준 모델과 비교하여 재귀적 궤적 및 속도 예측을 향상시킴을 보여주며, 현장 데이터 기반 AUV 기동 모델링에 대한 적용 가능성을 입증합니다.

원문 초록

Field-based modeling from onboard measurements can produce autonomous underwater vehicle (AUV) maneuvering models that reflect real operating characteristics. From an approximation perspective, conventional maneuvering models use predefined constraint polynomial bases, whereas data-driven models use data-adaptive bases. Motivated by this basis-function view, this paper presents a differentiable composite-approximation formulation, in which the polynomial-basis component and the data-adaptive basis component are treated as differentiable parts of a single predictor and calibrated jointly. A gradient-based co-calibration method is developed for full-scale AUV maneuvering prediction, where a sensitivity-aware mechanism regulates bounded polynomial updates while the neural residual captures remaining nonlinear discrepancies under a shared prediction objective. To account for ocean-current effects in field data, a turning-motion-based current estimation and compensation procedure is incorporated to construct current-compensated learning targets for training and rollout. The framework is evaluated using sea-trial data collected from a 7-meter AUV under multiple maneuvering conditions. Results show that the proposed method improves recursive trajectory and velocity prediction compared with polynomial-only, neural-only, and frozen-prior hybrid baselines, demonstrating its applicability to field-data-based AUV maneuvering modeling.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.19711v1제출 시각 미확인

함께 살펴볼 논문

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

arXiv:2606.27029v1cs.LG공통 태그 parameter estimation, State Estimation, system identification

일반화된 해밀토니안 학습을 위한 쌍대 신경망

Symplectic Neural Networks for learning Generalized Hamiltonians

해밀토니안 신경망(HNN)은 시스템의 해밀토니안을 학습하여 신경망 모델에 물리적 사전 지식을 통합하고, 일반화와 샘플 효율을 향상시킨다. 상태 변수의 노이즈가 있는 관측으로 시스템 해밀토니안을 식별하는 것은 어려운 과제이다. 해밀토니안 시스템의 장기적 거동, 특히 에너지 보존을 시뮬레이션이 충실히 반영하기 위해, 시스템의 기하학적 구조를 보존하는 쌍대 적분기(symplectic integrator)를 사용하는 것이 필수적이다. 이러한 충실성에는 비용이 따른다: 암시적 쌍대 적분기는 계산 비용이 더 크고, ODE 솔버를 통한 역전파를 비자명하게 만든다. 하지만 인접 시스템(adjoint system)의 쌍대 이산화가 역전파와 연관된 동일한 감도를 산출한다는 점을 활용하여, 신경망 파라미터를 학습하는 효율적인 방법을 얻는다. 본 연구에서는 암시적 쌍대 적분기를 기반으로 한 HNN 모델로, 궤적의 노이즈 관측 하에서 HNN 학습의 이 대안적 방법을 탐구한다. 계산 측면에서, 예측자-수정자(predictor-corrector) 기반 ODE 솔버와 고정점 반복(fixed point iteration)이 암시적 시간 스텝핑의 계산 비용을 완화하여 더 효율적인 그래디언트 업데이트 생성을 가능하게 한다. 실험에서 비분리(non-separable) 혼돈 시스템 범위에 대한 시스템 식별과 에너지 보존에서 수치적 이점을, 그리고 본 방법의 효율적인 계산 및 메모리 복잡도를 보여준다. 또한 학습된 해밀토니안의 역오차 분석(backward error analysis)을 이용한 후처리가 수정된 해밀토니안을 산출하고, 이는 유동 사상(flow map)의 더 정확한 이산화를 사용할 필요 없이 참 해밀토니안의 더 정확한 근사치가 된다는 것을 확인했다.

arXiv:2609.28425v1quant-ph공통 태그 parameter estimation, State Estimation

머신러닝을 활용한 재귀적 상태 추정에서 근사 솔버의 수리 가능성

Repairability of Inexact Solvers in Recursive State Estimation with Machine Learning

재귀적 상태 추정은 종종 피드백 루프 안에서 근사적인 수치 해를 실행하며, 국소적으로 매우 정확한 단계가 전체적으로 더 나은 결과를 보장하지는 않는다. 고정된 선형 Kalman 모델에 대해, 규정된 부분공간과 노름 예산 내 보정이 국소 허용 가능성 허용 오차를 충족할 수 있는 조건을 특성화하고, 실제로 실행된 결함이 유한 구간 공분산 응답에 미치는 영향을 분석한다. 구현된 공분산에 대한 정확한 이득(gain)을 중심으로 각 결함을 두면 현재 솔브 오류와 상속된 이득 드리프트를 분리할 수 있다. 정확한 잔차-드리프트 항등식을 전개하면 2차 응답을 넘어 상반되는 4차 기여가 드러난다. 혁신(innovation) 공분산 팽창은 양의 방향으로, 국소 이득 재최적화는 음의 방향으로 작용한다. 일치하는 초기화 하에서, 고정 구간에서 유계 결함 열에 대해 균일한 절대 6차 나머지 상한은 2차 과소 또는 과대 예측에 대한 충분 조건을 제공한다. 머신러닝은 유계 보정을 제안하고, 학습기에 독립적인 잔차 증명서(residual certificate)와 검증된 폴백(fallback)이 기준 추정기를 바꾸지 않은 채 고전 및 양자 후보의 실행을 관장한다. 전력망 허용 오차 연구에서, 학습된 보정은 동일한 잔차 증명서 하에서 보정되지 않은 솔브에 비해 폴백 없이 배포할 때 최소 �共轭梯度(conjugate-gradient) 반복 횟수를 낮춘다. 변분 양자 선형 솔버와 어닐링 기반 이진 인코딩으로 재구성된 이득은 초전도 하드웨어上的 소규모 단말 측정과 양자 어닐러(quantum annealer)上的 샘pling을 거쳐 동일한 인터페이스로 실행된다. 국소 수리 가능성을 비선형 오류 전파와 연결함으로써, 이 프레임워크는 독립적 인증과 유한 구간 응답을 통해 근사 솔버와 학습된 보정을 평가하며, 하이브리드 양자-고전 계산 연구를 위한 실용적 토대를 제공한다.

arXiv:2607.15077v1cs.LG공통 태그 parameter estimation, system identification

공학 응용을 위한 비선형 동역학 희소 식별 소개

An Introduction to Sparse Identification of Nonlinear Dynamics for Engineering Applications

많은 공학 문제에는 지배 방정식이 불충분하게 특성화되었거나 부분적으로만 알려진 현상이 포함된다. 신경망과 같은 대리 모델링(surrogate modeling) 기법은 이러한 시스템의 거동을 포착할 수 있지만, 일반적으로 공학 환경에서 얻기 어려운 대규모 학습 데이터셋을 요구하며 물리적 해석 가능성이 제한된 모델을 산출한다. 비선형 동역학 희소 식별(SINDy) 방법은 후보 비선형 항들의 라이브러리에 대해 희소 회귀(sparse regression)를 수행함으로써 두 한계를 모두 해결하며, 비교적 작은 데이터셋으로부터 해석 가능한 지배 방정식을 복원한다. SINDy는 표준 벤치마크 시스템에서 광범위하게 시연되었지만, 실용적 공학 문제에 대한 적용은 덜 널리 문서화되어 있다. 본 튜토리얼은 SINDy 방법을 소개하고, 노이즈 견고 약형(weak-form) 및 앙상블 기반 변형부터 제약 및 매개변수화 가능한 formulation까지 주요 확장으로 점진적으로 나아간다. 본 논문과 동반 튜토리얼(https://github.com/paullililili/SINDy4Engineers)은 세 부분으로 구성된다: 첫 번째 부분은 표준 SINDy 알고리즘을 소개하고 점진적으로 확장하며, 사전 지식이 없는 독자도 각 단계를 따라가 자신의 문제에 방법을 적용할 수 있도록 한다; 나머지 두 부분은 (1) 무인 항공기(UAV)의 시스템 식별과 (2) 혼돈 thermosyphon 열교환기에 대한 상세 사례 연구를 제시한다. 이러한 예시를 통해 SINDy가 구현은 간단하면서도 고급 공학 응용을 위한 유용한 식별 도구로서 충분히 유연함을 보여 주는 것을 목표로 한다.

arXiv:2607.15180v1cs.LG공통 태그 parameter estimation, State Estimation

RTS 스무더 기반 물리 기반 신경 미분 모델 학습

RTS Smoother-Guided Learning of Physics-Based Neural Differential Models

상미분방정식(ODE)은 물리, 생물학, 신경과학, 생리학에서 동역학 시스템을 모델링하는 데 널리 사용되지만, 많은 응용에서는 동역학의 일부 방정식이 알려져 있지 않고 상태 변수(state variable)의 일부만 측정된다. 본 연구에서는 ODE의 알려진 구성 요소는 명시적으로 유지하고 누락된 구성 요소는 신경망으로 표현하는 하이브리드 신경-물리 프레임워크를 제안한다. 제안 방법은 상태 추정과 매개변수 추정을 번갈아 수행하는 두 단계로 구성되며, 사전에 정해진 기준을 만족할 때까지 반복한다. 구체적으로 첫 번째 단계에서는 모델 매개변수를 알려진 것으로 간주하고, 사용 가능한 측정값으로부터 Rauch-Tung-Striebel(RTS) 스무더를 이용해 잠재 상태(latent state)를 추론한다. 두 번째 단계에서는 스무딩된 궤적을 알려진 것으로 간주하고, 이를 이용해 역전파를 통해 신경망의 매개변수를 추정한다. 본 방법은 부분 상태 관측(partial state observation) 하에서 선형, 비선형, 강성(stiff) 동역학을 아우르는 벤치마크 시스템에서 평가한다. 이러한 설정 전반에서 제안 방법은 해석 가능한 기계론적(mechanistic) 구조를 활용하고 유지하면서 불완전한 측정으로부터 누락된 ODE 구성 요소를 학습하고, 잠재 상태 재구성과 장기 예측(long-horizon prediction)을 개선한다.

arXiv:2607.13573v1cs.RO공통 태그 parameter estimation, State Estimation

IMMNet: 기동 표적 추적을 위한 모델 기반 및 데이터 기반 접근법의 하이브리드 융합

IMMNet: Hybrid Fusion of Model-based and Data-driven Approaches for Maneuvering Target Tracking

3차원 공간에서의 기동 표적 추적은 복잡한 운동 역학과 모델 불일치로 인해 여전히 어려운 문제이다. 이를 해결하기 위해 본 논문은 상호작용 다중 모델(interacting multiple model, IMM) 알고리즘의 해석 가능한 구조와 학습 가능한 신경망 구성 요소를 통합한 하이브리드 모델/데이터 기반 알고리즘 IMMNet을 제안한다. 엔드투엔드 블랙박스 방식과 달리, 제안된 IMMNet 알고리즘은 실시간 레이더 응용에 필수적인 베이지안 추론 메커니즘을 유지할 수 있을 뿐만 아니라, 데이터로부터 운동 패턴과 노이즈 특성을 적응적으로 학습할 수 있다. 광범위한 실험을 통해 제안된 IMMNet 알고리즘이 다양한 시나리오에서 기존 알고리즘을 일관되게 능가함을 보여주며, 이는 기동 표적 추적을 위한 견고하고 해석 가능하며 실용적인 해결책임을 입증한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.