A motion cueing algorithm (MCA) is employed to transform the linear and angular motion signals generated from a motion simulator without violating the physical and dynamical boundaries of the motion platform. In this respect, the accurate prediction of the motion scenarios is essential to enhance the efficiency of the MCA using prepositioning or time-varying reference model predictive control. While a recent approach that utilizes a feedforward neural network (NN) to forecast the motion scenarios is useful, the feedforward NN model has only forward dynamics relating to the signals without any feedback loop. In this article, a time-delay feedforward NN, a recurrent NN, and a nonlinear autoregressive (NAR) models with three different training procedures, i.e., Levenberg–Marquardt, Bayesian regularization, and scaled conjugate gradient, are exploited to predict the motion scenarios. As the NAR model employs the historical signals as the inputs, it can predict the motion scenarios with higher accuracy rates. Based on the series of empirical evaluations, NAR trained with Levenberg–Marquardt is able to outperform the other two counterparts in producing more accurate predictions of the motion signals. The NAR method has a lower computational load as compared with that of the recurrent NN, facilitating its real-time application. In addition to the MCA, the NAR method can be employed in other areas, including autonomous vehicles and motion sickness studies. It can also be easily implemented for air, sea, and/or land vehicle simulators for training purposes in virtual reality environments.

中文翻译：

---

使用时间序列神经网络预测运动模拟器信号

运动提示算法 (MCA) 用于转换运动模拟器生成的线性和角运动信号，而不会违反运动平台的物理和动态边界。在这方面，运动场景的准确预测对于使用预定位或时变参考模型预测控制提高 MCA 的效率至关重要。虽然最近使用前馈神经网络 (NN) 来预测运动场景的方法很有用，但前馈 NN 模型仅具有与信号相关的前向动力学，而没有任何反馈回路。在本文中，时延前馈神经网络、循环神经网络和非线性自回归 (NAR) 模型具有三种不同的训练程序，即 Levenberg-Marquardt、贝叶斯正则化和缩放共轭梯度，被用来预测运动场景。由于 NAR 模型采用历史信号作为输入，因此可以以更高的准确率预测运动场景。基于一系列经验评估，用 Levenberg-Marquardt 训练的 NAR 能够在产生更准确的运动信号预测方面优于其他两个对应物。与循环神经网络相比，NAR 方法具有较低的计算量，有利于其实时应用。除了 MCA，NAR 方法还可用于其他领域，包括自动驾驶汽车和晕动病研究。它也可以很容易地用于空中、海上和/或陆地车辆模拟器，以在虚拟现实环境中进行训练。它可以以更高的准确率预测运动场景。基于一系列经验评估，用 Levenberg-Marquardt 训练的 NAR 能够在产生更准确的运动信号预测方面优于其他两个对应物。与循环神经网络相比，NAR 方法具有较低的计算量，有利于其实时应用。除了 MCA，NAR 方法还可用于其他领域，包括自动驾驶汽车和晕动病研究。它也可以很容易地用于空中、海上和/或陆地车辆模拟器，以在虚拟现实环境中进行训练。它可以以更高的准确率预测运动场景。基于一系列经验评估，用 Levenberg-Marquardt 训练的 NAR 能够在产生更准确的运动信号预测方面优于其他两个对应物。与循环神经网络相比，NAR 方法具有较低的计算量，有利于其实时应用。除了 MCA，NAR 方法还可用于其他领域，包括自动驾驶汽车和晕动病研究。它也可以很容易地用于空中、海上和/或陆地车辆模拟器，以在虚拟现实环境中进行训练。用 Levenberg-Marquardt 训练的 NAR 能够在产生更准确的运动信号预测方面优于其他两个对应物。与循环神经网络相比，NAR 方法具有较低的计算量，有利于其实时应用。除了 MCA，NAR 方法还可用于其他领域，包括自动驾驶汽车和晕动病研究。它也可以很容易地用于空中、海上和/或陆地车辆模拟器，以在虚拟现实环境中进行训练。用 Levenberg-Marquardt 训练的 NAR 能够在产生更准确的运动信号预测方面优于其他两个对应物。与循环神经网络相比，NAR 方法具有较低的计算量，有利于其实时应用。除了 MCA，NAR 方法还可用于其他领域，包括自动驾驶汽车和晕动病研究。它也可以很容易地用于空中、海上和/或陆地车辆模拟器，以在虚拟现实环境中进行训练。