基于物理信息神经网络的最小威胁暴露轨迹优化
系统与控制
2025-10-27 v2 系统与控制
摘要
我们应用物理信息神经网络 (PINN) 求解由庞特里亚金最优控制原理推导的必要条件所引发的两点边界值问题 (BVP)。由于对初始猜测极其敏感，传统射击法求解此类BVP已知存在严重的数值困难。鉴于最近在求解高维微分方程中成功应用PINN的研究成果，我们开发了PINN来求解轨迹规划问题，即寻找在给定车辆运动学模型下，使其在时空威胁场中暴露于最小风险的轨迹。首先，我们实现训练用于求解给定初始状态和最终状态、特定威胁场下BVP的PINN。随后，我们实现基于初始状态、针对特定威胁场的PINN，该方法无需为每个初始状态重新训练。我们演示了PINN输出满足必要条件且数值误差低。
关键词
引用
@article{arxiv.2510.17762,
title = {Trajectory Optimization for Minimum Threat Exposure using Physics-Informed Neural Networks},
author = {Alexandra E. Ballentine and Raghvendra V. Cowlagi},
journal= {arXiv preprint arXiv:2510.17762},
year = {2025}
}
备注
2025 Indian Control Conference