La identificación de sistemas dinámicos usando datos limitados y ruidosos se enfrenta a retos únicos y considerables. En un esfuerzo por superar estas dificultades, se ha introducido una metodología avanzada que combina la regresión con procesos gaussianos para denoizar y simplificar los datos antes de aplicar la metodología SINDy. Este enfoque, conocido como GPSINDy, facilita la identificación precisa de las ecuaciones dinámicas subyacentes de sistemas físicos complejos y turbulentos.

Los avances en simbólico y proceso gaussiano (GP) han permitido que el método GPSINDy funcione mejor que las técnicas tradicionales, como SINDy. A pesar del ruido en los datos, GPSINDy demostró ser notablemente robusto, superando en pruebas al clásico SINDy incluso en condiciones adversas.

En experimentos con modelos tanto simulados como del mundo real, tales como el Lotka–Volterra (predador-presa) y un unicycle, GPSINDy fue más efectivo en la identificación de modelos dinámicos precisos que estaban ocultos bajo capas de ruido de medición.

Un ejemplo prominente es la aplicación en datos reales de un sistema NVIDIA JetRacer. Este sistema de automóviles a escala captura precisamente cómo puede integrarse GPSINDy en entornos reales. Los resultados ilustran que, al aprender de los datos con baja frecuencia y alto nivel de ruido, GPSINDy puede predecir trayectorias futuras con mayor precisión comparado con sus antecesores.

Para concluir, las capacidades de GPSINDy para descubrir modelos dinámicos aun con datos ruidosos y dispersos representan un avance notable en el ámbito de la identificación de sistemas. Esto no solo refuerza la idea de que los procesos gaussianos pueden proporcionar una mejora significativa en la identificación de sistemas, sino que también resalta su potencial aplicación en una amplia gama de sistemas físicos donde obtener datos precisos puede ser un desafío.