使用带控制的物理信息神经网络对水下航行器进行建模

物理信息神经网络 (PINN) 将物理定律与数据驱动模型相结合，以提高泛化能力和样本效率。本研究引入了带控制的物理信息神经网络 (PINC) 框架的开源实现，旨在对水下航行器的动力学进行建模。PINC 使用初始状态、控制动作和时间输入，扩展了 PINN，使其能够在训练域之外实现物理上一致的转换。我们测试了各种 PINC 配置，包括不同的损失函数、梯度加权方案和超参数。在模拟水下航行器上进行的验证表明，与非物理信息基线相比，PINC 能够提供更准确的长期预测。