Approche Bayésienne pour l'Estimation des Paramètres de la Dynamique Latérale d'un Véhicule - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2023

Towards simulation of radio-frequency component with physics informed neural networks

Approche Bayésienne pour l'Estimation des Paramètres de la Dynamique Latérale d'un Véhicule

Résumé

Radio-frequency components such as transmission lines are present in many defense systems such as radars, communication systems or electronic warfare systems. The conceptions of radio-frequency components involves a simulation phase that generally consists in the resolution of harmonic Maxwell's equations. Presently, these simulations are performed with mesh based methods such as finite element or finite difference methods. The results of a simulation is specific to a given geometry and mesh and can not be reemployed for a similar problem. The recently introduced physics informed neural networks (PINNs) could offer a mesh-free alternative to these methods. While PINNs for fluid mechanics has been tested multiple times, there are only few examples of PINNs for harmonic Maxwell equations in two dimension. In this paper we present a first attempt of training a PINN for the three dimensions simulation of a transmission line and we highlight the specific difficulties of training a PINN for radio-frequency simulations.
L'estimation des paramètres d'un système dynamique non linéaire constitue un défi majeur dans de nombreux domaines de recherche et d'application. Dans ce contexte, ce papier présente une nouvelle méthode en deux étapes pour estimer les paramètres qui régissent la dynamique latérale d'un véhicule, en tenant compte de la rareté et du bruit des données. La méthode combine le lissage par spline des observations du système avec une approche bayésienne pour estimer les paramètres. La première étape de cette méthode consiste à appliquer un lissage par spline aux observations des variables d'état du système. Cette étape permet de filtrer le bruit présent dans les données et d'obtenir des estimations précises des dérivées des variables d'état du système. Ainsi, la méthode proposée permet d'estimer les paramètres directement à partir des équations différentielles décrivant la dynamique du système, sans recourir à des méthodes d'intégration chronophages. La deuxième étape repose sur l'estimation des paramètres à partir des résidus des équations différentielles, en utilisant une approche bayésienne appelée likelihood-free ABC-SMC. Cette approche bayésienne présente plusieurs avantages. Tout d'abord, elle permet de pallier la rareté des données en incorporant des connaissances a priori sur les caractéristiques physiques du véhicule. De plus, elle offre un niveau élevé d'interprétabilité en fournissant une distribution a posteriori sur les paramètres susceptibles d'avoir généré les données observées. L'utilisation de cette nouvelle méthode présente l'avantage de permettre une estimation robuste des paramètres de la dynamique latérale du véhicule, même lorsque les données sont limitées et bruitées.
Fichier principal
Vignette du fichier
paper2.pdf (4.72 Mo) Télécharger le fichier
Origine : Fichiers produits par l'(les) auteur(s)

Dates et versions

hal-04328447 , version 1 (07-12-2023)

Identifiants

  • HAL Id : hal-04328447 , version 1

Citer

Fabien Lionti, Nicolas Gutowski, Sébastien Aubin, Philippe Martinet. Approche Bayésienne pour l'Estimation des Paramètres de la Dynamique Latérale d'un Véhicule. CAID 2023 - 5e Conference on Artificial Intelligence for Defense, DGA Maîtrise de l'Information, Nov 2023, Rennes, France. ⟨hal-04328447⟩
59 Consultations
23 Téléchargements

Partager

Gmail Facebook X LinkedIn More