日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

AUV操縦モデリングarXiv:2606.19711

海上試験データに基づくAUV操縦モデリングのための微分可能な複合近似フレームワーク

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

シェア:XThreadsFacebookLINEはてブBluesky

AUVの操縦モデルを、多項式基底とニューラル残差を微分可能に結合して共同調整し、海流補正を加えた海上試験データで精度を向上させる手法を提案した。

詳しい要約

1. どんなもの?

- 本論文は、AUVの実海域試験データから操縦モデルを構築するための微分可能な複合近似フレームワークを提案する。 - 従来の操縦モデルは事前定義された多項式基底を用いるのに対し、データ駆動モデルはデータ適応基底を用いる。 - この基底関数の観点から、多項式基底成分とデータ適応基底成分を単一の予測器の微分可能な部分として扱い、共同でキャリブレーションする。 - 勾配ベースの共校正法を開発し、感度を考慮したメカニズムで有界な多項式更新を調整しつつ、ニューラル残差が残りの非線形不一致を捉える。 - 海流効果を考慮するため、旋回運動に基づく海流推定・補償手順を組み込み、学習とロールアウトのための海流補償済みターゲットを構築する。 - 7メートル級AUVの複数の操縦条件下で収集された実海域試験データを用いて評価する。

2. 先行研究と比べてどこがすごい?

- 従来の操縦モデルは事前定義された多項式基底に依存し、データ駆動モデルはデータ適応基底を用いるという基底関数の違いがあった。 - 本手法はこれらを対立するものではなく、単一の微分可能な予測器の構成要素として統合する点が新しい。 - 多項式のみ、ニューラルネットのみ、および事前学習済みモデルを凍結したハイブリッドベースラインと比較して、再帰的な軌道・速度予測が改善されることを示した。 - 実海域試験データに基づくAUV操縦モデリングへの適用可能性を実証した点が先行研究と異なる。

3. 技術・手法の肝は?

- 多項式基底成分とデータ適応基底成分を微分可能な単一予測器の一部として扱い、共同でキャリブレーションする複合近似定式化を採用する。 - 勾配ベースの共校正法を開発し、感度を考慮したメカニズムが有界な多項式更新を調整する。 - ニューラル残差成分が残りの非線形不一致を共有予測目的の下で捉える。 - 海流効果に対処するため、旋回運動に基づく海流推定・補償手順を組み込み、学習とロールアウト用の海流補償済みターゲットを構築する。

4. どうやって有効だと検証した?

- 7メートル級AUVから複数の操縦条件下で収集された実海域試験データを用いて評価した。 - 提案手法は、多項式のみ、ニューラルネットのみ、および事前学習済みモデルを凍結したハイブリッドベースラインと比較して、再帰的な軌道・速度予測を改善することを示した。 - これにより、実海域データに基づくAUV操縦モデリングへの適用可能性が実証された。

5. 議論はある?

- 要旨からは、提案手法の限界や失敗事例、計算コスト、一般化性能に関する議論は明示されていない。 - 海流推定・補償手順の精度や、異なるAUVや環境条件への適用可能性についての議論も要旨からは不明である。

6. 次に読むべき論文は?

- 要旨で参照・比較されている研究として、多項式基底のみの操縦モデル、データ適応基底を用いるニューラルネットモデル、事前学習済みモデルを凍結したハイブリッドベースラインが挙げられる。 - 関連手法として、AUVの操縦モデリングにおけるシステム同定、微分可能プログラミング、物理情報ニューラルネットワーク、ハイブリッドモデリングの文献が次に読むべき候補となる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Aobo Wang, Aifei Xia, Zihao Wang, Lizhu Hao

分類: cs.RO, cs.LG, cs.SY, eess.SY

原文アブストラクト

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.

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  3. 3GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI