用于电动力学系统建模与识别的耗散潜在残差物理信息神经网络
机器学习
2026-04-21 v1
摘要
准确的动力学建模对于仿真和控制具身系统至关重要，但电动力学系统的初步模型往往难以捕捉关节摩擦、漏损及结构阻尼等复杂耗散效应。虽然残差学习物理信息神经网络（PINN）能有效地通过数据驱动组件来增强不完备的初步模型，但残差项通常实现为无约束的多层感知机（MLP），可能无意中引入人工能量。为更忠实地建模耗散动力学，本文提出DiLaR-PINN，即一种耗散潜在残差PINN，旨在以物理一致的方式学习未建模的耗散效应。结构上，残差网络仅作用于不可测的（潜在）状态组件，并以skew-dissipative形式进行参数化，以保证任何网络参数选择下都具有非递增能量。为在部分可测状态下实现稳定且数据高效的训练，我们进一步发展了基于课程学习的序列长度扩展策略的递归展开方案。我们在真实的直升机系统上对DiLaR-PINN进行验证，并将其与四种基线进行比较：纯物理模型（无残差网络）、无结构残差MLP、带软耗散约束的DiLaR变体以及黑箱LSTM。结果表明，DiLaR-PINN更准确地捕捉耗散效应，实现了卓越的长期预测性能。
引用
@article{arxiv.2604.18277,
title = {Dissipative Latent Residual Physics-Informed Neural Networks for Modeling and Identification of Electromechanical Systems},
author = {Youyuan Long and Gokhan Solak and Arash Ajoudani},
journal= {arXiv preprint arXiv:2604.18277},
year = {2026}
}
备注
Accepted for publication at the 23rd IFAC World Congress 2026