L3S Beste Veröffentlichung des Quartals (Q3+Q4/2025)
Category: Physics-informed ML
Generalizable and Fast Surrogates: Model Predictive Control of Articulated Soft Robots using Physics-Informed Neural Networks
Authors: Tim-Lukas Habich; Aran Mohammad; Simon F. G. Ehlers; Martin Bensch; Thomas Seel; Moritz Schappler
Erschienen in IEEE Transactions on Robotics
Die Veröffentlichung in Kürze:
Die Arbeit befasst sich mit dem Problem der Generalisierbarkeit gelernter (Black-Box-)Modelle für unbekannte Systemdomänen durch Einbeziehung von physikalischem Wissen. Zwar konzentriert sich die Forschung auf die Soft-Robotik, doch das vorgeschlagene physikinformierte neuronale Netzwerk ist auf eine Vielzahl technischer Bereiche anwendbar.
Welche potenziellen Auswirkungen haben Ihre Ergebnisse?
Physikinformierte neuronale Netzwerke (PINN) können in vielen technischen Bereichen vielversprechend sein. Dies gilt insbesondere dann, wenn physikalisches Modellwissen (z. B. Differentialgleichungen) verfügbar ist, die Systemmodelle für die Anwendung jedoch zu langsam sind. Es kann auch vorkommen, dass das physikalische Modell ungenau ist und mit einer geringen Menge an Daten aus der realen Welt verbessert werden kann. Das vorgeschlagene PINN kann als schnelles, genaues und generalisierbares Ersatzmodell von dynamischen Systemen dienen und rechenintensive Anwendungen, wie zum Beispiel modellprädiktive Regelung oder schnelle Simulationen, ermöglichen.
Link zum vollständigen Artikel: https://ieeexplore.ieee.org/document/11242009
