Hybrid State Estimation : Integrating Physics-Informed Neural Networks with Adaptive UKF for Dynamic Systems

Share

Abstract

En este artículo presentamos un enfoque novedoso para la estimación de estados en sistemas dinámicos combinando redes neuronales informadas por la física (Physics-Informed Neural Networks, PINN) con un filtro de Kalman unscented (Unscented Kalman Filter, UKF) adaptativo. Reconociendo las limitaciones de los métodos tradicionales de estimación de estados, refinamos la arquitectura PINN con funciones de pérdida híbridas y Monte Carlo Dropout para mejorar la estimación de la incertidumbre. El filtro de Kalman unscented se amplía con un mecanismo adaptativo de covarianza de ruido e incorpora los parámetros del modelo en el vector de estado para mejorar la adaptabilidad. Validamos además este marco híbrido integrando la PINN mejorada con el UKF en una canalización de predicción de estados fluida, demostrando mejoras significativas en precisión y robustez. Nuestros resultados experimentales muestran una notable mejora en la fidelidad de la estimación de estados tanto para el seguimiento de la posición como de la velocidad, respaldada por la cuantificación de la incertidumbre mediante inferencia bayesiana y Monte Carlo Dropout. Ampliamos además la simulación y presentamos evaluaciones en un sistema de péndulo doble y en la estimación de estados de un dron cuadricóptero. Esta solución integral está en condiciones de hacer avanzar el estado del arte en la estimación de sistemas dinámicos, ofreciendo un rendimiento sin precedentes en los ámbitos de la teoría de control, el aprendizaje automático y la optimización numérica. [Traducción automática al español; idioma original: inglés.]