基于非侵入式数据驱动模型降阶的实时人体响应预测
动力系统
2021-10-27 v1 机器学习
摘要
近期关于非侵入式数据驱动模型降阶（MOR）的研究实现了对参数化常微分方程（ODEs）的准确高效逼近。然而，以往研究聚焦于恒定参数，而时变参数被忽视。本文旨在引入一种新颖的两步 MOR 方案以解决此问题。第一步，应用经典 MOR 方法计算高维 ODE 解的低位表示，即提取仿真数据的最重要特征。基于此表示，第二步训练长短期记忆（LSTM）以迭代预测降阶动力学。这使得在相应时间步内可考虑参数。该方法的潜力在汽车驾驶场景中的乘员模型上得到展示。降阶模型对时变加速度的响应在有限时间内与参考数据高度吻合。此外，实现了实时能力。据此得出结论，所提方法非常适于逼近参数化 ODEs，并且与常用方法不同，可处理时变参数。
引用
@article{arxiv.2110.13583,
title = {Real-time Human Response Prediction Using a Non-intrusive Data-driven Model Reduction Scheme},
author = {Jonas Kneifl and Julian Hay and Jörg Fehr},
journal= {arXiv preprint arXiv:2110.13583},
year = {2021}
}
备注
6 pages, 6 figures