面向不确定性量化的插用式物理驱动学习：基于 Port-Hamiltonian 模型
机器人学
2025-04-28 v1 机器学习
摘要
预测周围智能体和障碍物的轨迹是许多机器人应用中的关键组件。数据驱动的方法通常用于未知动态背景下的状态预测。然而，当遇到相对于训练数据分布外的观测时，数据驱动预测器的性能、可靠性和不确定性将受到牺牲。本文引入一种插用式物理驱动机器学习 (PnP-PIML) 框架以应对这一挑战。该方法采用共形预测识别异常动态，若检测到异常，则切换到物理一致的模型，即分布式 Port-Hamiltonian 系统 (dPHS)。我们利用高斯过程建模 dPHS 的能量函数，从而实现系统动态的学习以及通过其贝叶斯性质对预测不确定性的量化。如此一来，本文提出的框架即使在分布外场景下，也能产生可靠的物理驱动预测。
引用
@article{arxiv.2504.17966,
title = {Plug-and-Play Physics-informed Learning using Uncertainty Quantified Port-Hamiltonian Models},
author = {Kaiyuan Tan and Peilun Li and Jun Wang and Thomas Beckers},
journal= {arXiv preprint arXiv:2504.17966},
year = {2025}
}
备注
7 pages, 6 figures