de Curtò, J.de Zarzà, I.2026-01-272026-01-272024-06de Curtò, J & de Zarzà, I 2024, 'Hybrid State Estimation : Integrating Physics-Informed Neural Networks with Adaptive UKF for Dynamic Systems', Electronics (Switzerland), vol. 13, no. 11, 2208. https://doi.org/10.3390/electronics131122082079-9292https://hdl.handle.net/10641/7621Publisher Copyright: © 2024 by the authors.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.]In this paper, we present a novel approach to state estimation in dynamic systems by combining Physics-Informed Neural Networks (PINNs) with an adaptive Unscented Kalman Filter (UKF). Recognizing the limitations of traditional state estimation methods, we refine the PINN architecture with hybrid loss functions and Monte Carlo Dropout for enhanced uncertainty estimation. The Unscented Kalman Filter is augmented with an adaptive noise covariance mechanism and incorporates model parameters into the state vector to improve adaptability. We further validate this hybrid framework by integrating the enhanced PINN with the UKF for a seamless state prediction pipeline, demonstrating significant improvements in accuracy and robustness. Our experimental results show a marked enhancement in state estimation fidelity for both position and velocity tracking, supported by uncertainty quantification via Bayesian inference and Monte Carlo Dropout. We further extend the simulation and present evaluations on a double pendulum system and state estimation on a quadcopter drone. This comprehensive solution is poised to advance the state-of-the-art in dynamic system estimation, providing unparalleled performance across control theory, machine learning, and numerical optimization domains.1666280enghttp://creativecommons.org/licenses/by-nc-nd/4.0/Physics-Informed Neural NetworksUnscented Kalman Filter (UKF)state estimationControl and Systems EngineeringSignal ProcessingHardware and ArchitectureComputer Networks and CommunicationsElectrical and Electronic EngineeringYesyesjournal articleopen access10.3390/electronics13112208https://www.scopus.com/pages/publications/85195837602https://www.scopus.com/pages/publications/85195837602#tab=citedBy