基于聚类概率框架的城市风场估计传感器优化
机器学习
2025-10-01 v1 机器人学
流体动力学
摘要
我们提出了一个基于物理的机器学习框架，用于复杂城市地形中无人机轨迹的基于传感器的流场估计。输入是在多种风况下的一组丰富的流场模拟数据。输出是目标区域的速度和不确定性估计，以及用于最小化不确定性的后续传感器优化。与传统流场估计器相比，该框架有三项创新。首先，该算法的复杂度与区域复杂度成正比，使其适用于对任何单一降阶表示而言过于复杂的流场。其次，该框架能够外推至训练数据之外，例如更小或更大的风速。最后，也许是最重要的一点，传感器位置是一个自由输入，这显著扩展了现有绝大多数文献的适用范围。其关键支撑要素包括：(1) 基于雷诺数的流变量缩放，(2) 基于物理的区域分解，(3) 针对每个子区域的基于聚类的流场表示，(4) 关联各子区域的信息熵，以及 (5) 关联传感器输入与目标速度估计的多元概率函数。该框架通过无人机穿越三栋建筑群的飞行路径作为一个简单示例进行了演示。我们预期该框架可被改造并应用于整个城市的流场估计以及融合气象输入。
引用
@article{arxiv.2509.25222,
title = {Sensor optimization for urban wind estimation with cluster-based probabilistic framework},
author = {Yutong Liang and Chang Hou and Guy Y. Cornejo Maceda and Andrea Ianiro and Stefano Discetti and Andrea Meilán-Vila and Didier Sornette and Sandro Claudio Lera and Jialong Chen and Xiaozhou He and Bernd R. Noack},
journal= {arXiv preprint arXiv:2509.25222},
year = {2025}
}