論文の概要: Transition control of a tail-sitter UAV using recurrent neural networks
- arxiv url: http://arxiv.org/abs/2006.16401v1
- Date: Mon, 29 Jun 2020 21:33:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-15 15:33:52.731251
- Title: Transition control of a tail-sitter UAV using recurrent neural networks
- Title(参考訳): リカレントニューラルネットワークを用いたテールシッターUAVの遷移制御
- Authors: Alejandro Flores and Gerardo Flores
- Abstract要約: 制御戦略は姿勢と速度安定化に基づいている。
RNNは高非線形空力項の推定に用いられる。
その結果, 遷移操作時の直線速度とピッチ角の収束性を示した。
- 参考スコア(独自算出の注目度): 80.91076033926224
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents the implementation of a Recurrent Neural Network (RNN)
based-controller for the stabilization of the flight transition maneuver
(hover-cruise and vice versa) of a tail-sitter UAV. The control strategy is
based on attitude and velocity stabilization. For that aim, the RNN is used for
the estimation of high nonlinear aerodynamic terms during the transition stage.
Then, this estimate is used together with a feedback linearization technique
for stabilizing the entire system. Results show convergence of linear
velocities and the pitch angle during the transition maneuver. To analyze the
performance of our proposed control strategy, we present simulations for the
transition from hover to cruise and vice versa.
- Abstract(参考訳): 本稿では、テールシッターuavの飛行遷移操作(hover-cruise and vice)の安定化のためのリカレントニューラルネットワーク(rnn)ベースの制御器の実装について述べる。
制御戦略は姿勢と速度安定化に基づいている。
その目的のために、RNNは遷移段階における高非線形空力項の推定に使用される。
そして,この推定値とフィードバック線形化手法を用いてシステム全体の安定化を行う。
その結果, 遷移操作時の直線速度とピッチ角の収束性を示した。
提案する制御戦略の性能を分析するために,ホバーからクルーズへの遷移をシミュレーションし,その逆を行う。
関連論文リスト
- Parametric Nonlinear Volterra Series via Machine Learning: Transonic Aerodynamics [0.0]
本研究では、パラメトリック空間内での非定常超音速空力のモデリング手法を提案する。
1階と2階のVolterraカーネルは、空力応答から導かれる。
結果は、強い非線形性に対処する2階のカーネルを含めることの利点を裏付けている。
論文 参考訳(メタデータ) (2024-10-25T12:40:10Z) - AdaOcc: Adaptive Forward View Transformation and Flow Modeling for 3D Occupancy and Flow Prediction [56.72301849123049]
CVPR 2024 における nuScenes Open-Occ データセットチャレンジにおいて,視覚中心の3次元活動とフロー予測トラックのソリューションを提案する。
我々の革新的なアプローチは、適応的なフォワード・ビュー・トランスフォーメーションとフロー・モデリングを取り入れることで、3次元の占有率とフロー予測を向上させる2段階のフレームワークである。
提案手法は回帰と分類を組み合わせることで,様々な場面におけるスケールの変動に対処し,予測フローを利用して将来のフレームに現行のボクセル特徴をワープする。
論文 参考訳(メタデータ) (2024-07-01T16:32:15Z) - Time-to-Green predictions for fully-actuated signal control systems with
supervised learning [56.66331540599836]
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。
我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。
スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
論文 参考訳(メタデータ) (2022-08-24T07:50:43Z) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳(メタデータ) (2022-06-07T13:51:35Z) - Interpretable Stochastic Model Predictive Control using Distributional
Reinforced Estimation for Quadrotor Tracking Systems [0.8411385346896411]
本研究では,動的・複雑環境下での自律的四角形ナビゲーションのためのトラジェクトリトラッカーを提案する。
提案フレームワークは,未知の空力効果に対する分散強化学習推定器をモデル予測制御器に統合する。
我々は,未知かつ多様な空気力を用いて,累積追従誤差を少なくとも66%改善するシステムを実証した。
論文 参考訳(メタデータ) (2022-05-14T23:27:38Z) - Stochastic Deep Model Reference Adaptive Control [9.594432031144715]
本稿では,ディープニューラルネットワークを用いたモデル参照適応制御を提案する。
Deep Model Reference Adaptive Controlは、DNNモデルの出力層重みをリアルタイムに適応させるために、リアプノフ法を用いる。
データ駆動型教師付き学習アルゴリズムは、内部層パラメータの更新に使用される。
論文 参考訳(メタデータ) (2021-08-04T14:05:09Z) - Offset-free setpoint tracking using neural network controllers [0.0]
ニューラルネットワークコントローラを用いたオフセットフリーなセットポイントトラッキングにおける局所的および大域的安定性を解析する手法を提案する。
我々は,対応するアトラクション領域の楕円体内近似を提供する。
論文 参考訳(メタデータ) (2020-11-23T20:13:13Z) - RSINet: Rotation-Scale Invariant Network for Online Visual Tracking [7.186849714896344]
ほとんどのネットワークベースのトラッカーは、モデル更新なしで追跡処理を行い、ターゲット固有の変動を適応的に学習することができない。
本稿では、上記の問題に対処する新しい回転スケール不変ネットワーク(RSINet)を提案する。
我々のRSINetトラッカーは、ターゲット・ディトラクタ識別部とローテーション・スケール推定部から構成されており、ローテーションとスケールの知識は、エンドツーエンドでマルチタスク学習法によって明示的に学習することができる。
追加で、追跡モデルは適応的に最適化され、時空間エネルギー制御が更新され、モデル安定性と信頼性が保証され、高いトラッキングが保証される。
論文 参考訳(メタデータ) (2020-11-18T08:19:14Z) - Power Control for a URLLC-enabled UAV system incorporated with DNN-Based
Channel Estimation [82.16169603954663]
この手紙は、ディープニューラルネットワーク(DNN)に基づくチャネル推定を組み込んだ超信頼性低遅延通信(URLLC)有効無人航空機(UAV)システムの電力制御に関するものである。
論文 参考訳(メタデータ) (2020-11-14T02:31:04Z) - Federated Learning in the Sky: Joint Power Allocation and Scheduling
with UAV Swarms [98.78553146823829]
無人航空機(UAV)は様々なタスクを実行するために機械学習(ML)を利用する必要がある。
本稿では,UAVスワム内に分散学習(FL)アルゴリズムを実装するための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2020-02-19T14:04:01Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。