APLICAÇÕES DE MODELOS TABPFN PARA IDENTIFICAÇÃO, CLASSIFICAÇÃO, E REGRESSÃO

INTRODUÇÃO: A modelagem dinâmica de Veículos Aéreos Não Tripulados (VANTs)subatuados enfrenta limitações críticas na literatura contemporânea de controle. Amodelagem fenomenológica estrita (White-Box) falha ao negligenciar não-linearidades severas, como o atrito aerodinâmico dinâmico e as zonas mortas deatuadores. Em contrapartida, a modelagem puramente baseada em dados (Black-Box), através de arquiteturas autorregressivas discretas, sofre com o acúmuloexponencial de erros (drift) em simulações de longo prazo. A integração via tempocontínuo emerge como solução definitiva OBJETIVOS: Avaliar a viabilidade e eficáciado modelo fundacional de aprendizado profundo TabPFN na identificação preditivade um quadricóptero subatuado, contrastando seu poder de generalização Zero-Shot e Few-Shot contra as tradicionais arquiteturas estritamente baseadas em física(White-Box) e híbridas contínuas (Grey-Box / Neural ODEs). MATERIAIS E MÉTODO: Aaquisição de dados empíricos ocorreu em bancada experimental de um grau deliberdade, extraindo a resposta de velocidade angular sob regimes de malha aberta emalha fechada (controlador Little Bee 20A ESC). Os sinais de excitação variou oPWM dos motores, somando-se a um throttle base de 1500 um sinal de controleque variou entre −400 e +400. Para mitigar o desvanecimento de gradientes,aplicou-se a normalização Z-Score. A otimização dos parâmetros físicos e dos pesosdo Perceptron Multicamadas (MLP) foi conduzida em PyTorch pelo algoritmo Adam.Para forçar o aprendizado da física de transição e evitar overfitting pontual,empregou-se o particionamento estocástico de K-Step Rollouts, resolvendo osistema via integração de Runge-Kutta de 4ª ordem (RK4). A validação final adotou osistema de Holdout. RESULTADOS: A otimização fenomenológica (White-Box) revelou-se insuficiente para alta precisão no regime de malha fechada (R² = 0,5283; RRSE =0,6868), enquanto a arquitetura puramente neural (Black-Box) obteve a melhorperformance quantitativa marginal (R² = 0,7389; RRSE = 0,5110). O modelo híbrido(Grey-Box) apresentou paridade preditiva (R² = 0,7382; RRSE = 0,5117),destacando-se qualitativamente pela incorporação de um viés indutivo físico quegarante interpretabilidade e robustez estrutural mesmo em condições de déficitinformacional. CONSIDERAÇÕES FINAIS: O TabPFN demonstrou uma generalizaçãofenomenal para predições de passo único (R² > 0,99). Contudo, a degradaçãotemporal em simulações de longo prazo (Free Run) escancarou as limitações dearquiteturas sem viés físico contínuo. Embora a abordagem Few-Shot tenhamitigado substancialmente a deriva, a pesquisa conclui que o futuro da modelagemrobótica preditiva demanda a integração da expressividade fundacional (TabPFN)com âncoras analíticas (Neural ODEs).

PALAVRAS-CHAVE: 1. Neural ODEs; 2.Grey-Box; 3.Quadricópteros; 4.K-steps Rollout; 5. Identificação de Sistemas.