A Quantum-Inspired Hybrid Artificial Neural Network for Identifying the Dynamic Parameters of Mobile Car-Like Robots
Notice bibliographique
Résumé
Accurate prediction of a robot’s dynamic parameters, including mass and moment of inertia, is essential for adequate motion planning and control in autonomous systems. Traditional methods often depend on manual computation or physics-based modelling, which can be time-consuming and approximate for intricate, real-world environments. Recent advances in machine learning, primarily through artificial neural networks (ANNs), offer profitable alternatives. However, the potential of quantum-inspired models in this context remains largely uncharted. The current research assesses the predictive performance of a classical artificial neural network (CANN) and a quantum-inspired artificial neural network (QANN) in estimating a car-like mobile robot’s mass and moment of inertia. The predictive accurateness of the models was considered by minimizing a cost function, which was characterized as the RMSE between the predicted and actual values. The outcomes indicate that while both models demonstrated commendable performance, QANN consistently surpassed CANN. On average, QANN achieved a 9.7% reduction in training RMSE, decreasing from 0.0031 to 0.0028, and an 84.4% reduction in validation RMSE, dropping from 0.125 to 0.0195 compared to CANN. These enhancements highlight QANN’s singular predictive accuracy and greater capacity for generalization to unseen data. In contrast, CANN displayed overfitting tendencies, especially during the training phase. These findings emphasize the significance of quantum-inspired neural networks in enhancing prediction precision for involved regression tasks. The QANN framework has the potential for wider applications in robotics, including autonomous vehicles, uncrewed aerial vehicles, and intelligent automation systems, where accurate dynamic modelling is necessary.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».