面向模型火箭气动力学的 amortize推断：从仿真学习估计物理参数

准确预测模型火箭飞行性能需要估计难以直接测量的气动参数。传统方法依赖计算流体动力学或经验相关性，而数据驱动方法需要大量昂贵且耗时的真实飞行数据。我们提出一种基于仿真的 amortize推断方法，在来自物理仿真器生成的合成飞行数据上训练神经网络，然后应用于实际飞行，无需任何微调。该方法学习逆转前向物理模型，直接从单次峰值测量值结合马达和配置特征预测阻力系数和推力修正因子。在本概念验证研究中，我们在10,000个合成飞行上训练，在8次真实飞行上评估，实现了12.3米的峰值预测平均绝对误差——展示了在无真实训练样本的情况下的可行的仿真到现实迁移。分析揭示了预测中系统性正偏差，提供了理想物理模型与现实飞行条件之间差距的定量见解。我们还与OpenRocket基线预测进行比较，表明所学习的方法可减少峰值预测误差。我们的实现已公开，以支持业余火箭社区的可重复性和采纳。