Core Concepts
物理に誘導されたニューラルODEモデルは、精度を向上させるために少数のトレーニングサンプルで十分であり、黒箱ニューラル微分方程式アプローチよりも優れた予測能力を持つことが示されています。
Abstract
車両動力学モデルは自律車両の高度な計画、制御、および状態推定アルゴリズムの重要な部分です。
物理に基づいた車両モデルは、パラメータ最適化によって処理されることが多い。
ニューラルODEアプローチは、連続時間のNODEと適応ステップサイズ積分スキームの組み合わせにより高い精度を実現しています。
物理に誘導されたUDEモデルは、白箱モデルから派生したグレー・ボックス・モデルと競合しました。
Stats
特定のシナリオでは二乗誤差の合計が68%削減されました。
Quotes
"物理に誘導されたニューロンODEおよびUDEアプローチは、予測能力とモデルの複雑さの観点から優れています。"