物理情報ニューラルネットワークを用いたハイブリッドモデル予測制御による衛星姿勢制御

- 衛星の姿勢制御において、Model Predictive Control (MPC) の性能は内部モデルの精度に依存する。 - 複雑なダイナミクスを持つ宇宙機では、正確な物理モデルの取得が困難・時間・計算コスト大。 - 学習ベースのシステム同定は代替手段だが、データのみで訓練したモデルは安定性や外挿性に乏しい。 - 本研究は、Physics-Informed Neural Networks (PINNs) を宇宙機姿勢ダイナミクスのモデリングに適用し、従来のデータ駆動型アプローチと比較。 - 高忠実度数値シミュレーションで包括的データセットを生成し、純粋データ駆動パイプラインと物理正則化アプローチを検討。 - 物理制約を訓練に埋め込むことで予測信頼性が大幅に向上（平均相対誤差68.17%減）。 - MPCに展開すると、物理情報モデルは優れた閉ループ追従性能と不確かさへのロバスト性を示す。 - 学習した非線形ダイナミクスと名目線形モデルを融合したハイブリッド制御定式化により、定常状態収束と高速応答を実現（整定時間61.52%-76.42%短縮）。

- 従来の純粋データ駆動型システム同定は、安定性が脆弱で外挿能力が限定的。 - 物理ベースモデルは複雑系では取得が困難・時間・計算コスト大。 - 本研究はPINNsを宇宙機姿勢ダイナミクスに適用し、物理制約を訓練に組み込むことで予測信頼性を大幅改善（平均相対誤差68.17%減）。 - MPCに統合した際の閉ループ追従性能とロバスト性向上、さらにハイブリッド制御で整定時間を61.52%-76.42%短縮。 - 従来のデータ駆動型や物理ベースモデルと比較して、精度・安定性・応答速度のバランスを実現。

- Physics-Informed Neural Networks (PINNs) を宇宙機姿勢ダイナミクスのモデリングに使用。 - 高忠実度数値シミュレーションで包括的データセットを生成。 - 純粋データ駆動パイプラインと物理正則化アプローチ（事前知識を最適化に組込み）を比較。 - 物理制約を訓練に埋め込むことで予測信頼性を向上。 - MPCアーキテクチャに展開し、閉ループ追従性能とロバスト性を評価。 - ハイブリッド制御定式化：学習した非線形ダイナミクスと名目線形モデルを融合。 - これにより定常状態収束と高速応答を実現。

- 高忠実度数値シミュレーションで包括的データセットを生成。 - 純粋データ駆動型と物理正則化アプローチの2つの学習方法を比較。 - 物理制約を訓練に埋め込むことで平均相対誤差が68.17%減少。 - MPCに展開し、閉ループ追従性能と不確かさへのロバスト性を評価。 - ハイブリッド制御定式化により、測定ノイズとリアクションホイール摩擦下で整定時間が61.52%-76.42%短縮。 - これらの結果から有効性を検証。

- 物理制約の埋め込みが予測信頼性を大幅に向上させることを示唆。 - 純粋データ駆動型モデルの脆弱な安定性と限定的な外挿能力を克服。 - MPCにおける物理情報モデルの優位性を実証。 - ハイブリッド制御定式化が定常状態収束と高速応答を実現。 - 測定ノイズやリアクションホイール摩擦に対するロバスト性を確認。 - ただし、要旨からは計算コストや実機適用性に関する議論は不明。

- 要旨で参照/比較されている研究：Model Predictive Control (MPC)、Physics-Informed Neural Networks (PINNs)、データ駆動型システム同定。 - 関連手法：純粋データ駆動パイプライン、物理正則化アプローチ、ハイブリッド制御定式化。 - 同分野の定番：宇宙機姿勢制御、リアクションホイール摩擦、測定ノイズ。 - 具体的な論文名は要旨に記載なし。