Damper-B-PINN: Damper Characteristics-Based Bayesian Physics-Informed Neural Network for Vehicle State Estimation
作者: Tianyi Zeng, Tianyi Wang, Junfeng Jiao, Xinbo Chen
发布时间: 2025-03-03
来源: arxiv
研究方向: 车辆状态估计与机器学习
主要内容
本文提出了一种基于阻尼特性的贝叶斯物理信息神经网络(Damper-B-PINN),用于解决多输入多输出(MIMO)系统中车辆状态估计的挑战。该方法结合了物理信息、贝叶斯方法和阻尼特性,以提高估计的准确性和鲁棒性。
主要贡献
1. 引入基于阻尼特性的网络框架,提高MIMO系统的估计精度。
2. 开发了一种优化的贝叶斯dropout方法,结合物理信息,增强对系统噪声的鲁棒性。
3. 结合物理信息和数据损失,设计物理信息损失函数,确保网络输出符合物理定律,同时防止过拟合。
4. 在十个数据集和十四种车辆类型上验证了Damper-B-PINN的有效性,证明了其在车辆状态估计(如动态轮负荷)方面的优越性。
研究方法
1. 物理信息神经网络(PINN)
2. 贝叶斯神经网络(BNN)
3. 阻尼特性
4. 贝叶斯dropout
5. 物理信息损失函数
实验结果
实验结果表明,Damper-B-PINN在大多数情况下都实现了高精度和鲁棒的收敛。在Distracted Driving和Roundabout Flat Net等复杂工况下,该方法依然表现出色。与其他基线方法相比,Damper-B-PINN在大多数测试条件下都取得了更好的性能。
未来工作
未来工作将探索阻尼特性在神经网络中的应用,特别是解决该方法可能引入的稳态偏差和降低网络对微小输入变化敏感性的问题。此外,还将评估该方法在更复杂的非线性系统中的有效性,以验证其稳定性和适应性。