論文の概要: Online learning-based trajectory tracking for underactuated vehicles
with uncertain dynamics
- arxiv url: http://arxiv.org/abs/2009.06689v2
- Date: Tue, 14 Sep 2021 12:45:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 13:19:24.598647
- Title: Online learning-based trajectory tracking for underactuated vehicles
with uncertain dynamics
- Title(参考訳): 不確かさのある車両におけるオンライン学習に基づく軌道追跡
- Authors: Thomas Beckers and Leonardo Colombo and Sandra Hirche and George J.
Pappas
- Abstract要約: オンライン学習に基づくオラクルを用いた不活性化剛体力学の追跡制御法を提案する。
提案手法は、境界が明示的に与えられる確率の高い有界追跡誤差を保証する。
数値的な例は、提案法の有効性を強調するものである。
- 参考スコア(独自算出の注目度): 20.80935439181531
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Underactuated vehicles have gained much attention in the recent years due to
the increasing amount of aerial and underwater vehicles as well as
nanosatellites. Trajectory tracking control of these vehicles is a substantial
aspect for an increasing range of application domains. However, external
disturbances and parts of the internal dynamics are often unknown or very
time-consuming to model. To overcome this issue, we present a tracking control
law for underactuated rigid-body dynamics using an online learning-based oracle
for the prediction of the unknown dynamics. We show that Gaussian process
models are of particular interest for the role of the oracle. The presented
approach guarantees a bounded tracking error with high probability where the
bound is explicitly given. A numerical example highlights the effectiveness of
the proposed control law.
- Abstract(参考訳): 近年、空中および水中の車両やナノサテライトの増加により、不安定な車両が注目を集めている。
これらの車両の軌道追跡制御は、アプリケーション領域の増加にとって重要な側面である。
しかし、外部の乱れや内部のダイナミクスは、しばしば未知か、モデルに非常に時間がかかります。
この問題を克服するため,我々は,オンライン学習に基づくオラクルによる未知のダイナミクスの予測を用いた,不活性化剛体力学のトラッキング制御則を提案する。
ガウスのプロセスモデルがオラクルの役割に特に興味を持っていることを示している。
提案手法は境界が明示的に与えられる確率の高い境界付き追跡誤差を保証する。
数値例は、提案された制御則の有効性を強調する。
関連論文リスト
- Controllable Safety-Critical Closed-loop Traffic Simulation via Guided
Diffusion [100.4988219600854]
誘導拡散モデルに根ざした新しいクローズドループシミュレーションフレームワークを提案する。
提案手法は, 現実の条件を密にエミュレートする現実的なロングテールシナリオの生成と, 制御性の向上という, 二つの異なる利点をもたらす。
我々はNuScenesデータセットを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文 参考訳(メタデータ) (2023-12-31T04:14:43Z) - A Tricycle Model to Accurately Control an Autonomous Racecar with Locked
Differential [71.53284767149685]
自動オープンホイールレースカーの側面力学に対するロックディファレンシャルの影響をモデル化するための新しい定式化を提案する。
本稿では,マイクロステップの離散化手法を用いて,動的に線形化し,実時間実装に適した予測を行う。
論文 参考訳(メタデータ) (2023-12-22T16:29:55Z) - Smooth-Trajectron++: Augmenting the Trajectron++ behaviour prediction
model with smooth attention [0.0]
本研究では,注目モジュールにスムーズな項を組み込んだトラジェクトリ予測モデルであるTrjectron++について検討する。
この注意機構は、注意切り替えの限界を示す認知科学の研究にインスパイアされた人間の注意を模倣する。
得られたSmooth-Trajectron++モデルの性能を評価し、様々なベンチマークで元のモデルと比較する。
論文 参考訳(メタデータ) (2023-05-31T09:19:55Z) - Learning Terrain-Aware Kinodynamic Model for Autonomous Off-Road Rally
Driving With Model Predictive Path Integral Control [4.23755398158039]
本稿では,固有受容情報と外部受容情報の両方に基づいて,地形を考慮したキノダイナミクスモデルを学習する手法を提案する。
提案モデルでは、6自由度運動の信頼性予測が生成され、接触相互作用を推定することもできる。
シミュレーションされたオフロードトラック実験により提案手法の有効性を実証し,提案手法がベースラインより優れていることを示す。
論文 参考訳(メタデータ) (2023-05-01T06:09:49Z) - Model-Based Reinforcement Learning with Isolated Imaginations [61.67183143982074]
モデルに基づく強化学習手法であるIso-Dream++を提案する。
我々は、切り離された潜在的想像力に基づいて政策最適化を行う。
これにより、野生の混合力学源を孤立させることで、長い水平振動子制御タスクの恩恵を受けることができる。
論文 参考訳(メタデータ) (2023-03-27T02:55:56Z) - Learning Representation for Anomaly Detection of Vehicle Trajectories [15.20257956793474]
周囲の車両の将来の軌跡をその歴史に基づいて予測することは、自動運転における重要な課題である。
小型の摂動は、エゴの将来の軌道予測モジュールを著しく誤解させる可能性がある。
本稿では,車両軌道のオンライン異常検出のための,効率的かつ効率的な表現を学習するための2つの新しい手法を提案する。
論文 参考訳(メタデータ) (2023-03-09T02:48:59Z) - Learning energy-efficient driving behaviors by imitating experts [75.12960180185105]
本稿では,コミュニケーション・センシングにおける制御戦略と現実的限界のギャップを埋める上で,模倣学習が果たす役割について考察する。
擬似学習は、車両の5%に採用されれば、局地的な観測のみを用いて、交通条件の異なるネットワークのエネルギー効率を15%向上させる政策を導出できることを示す。
論文 参考訳(メタデータ) (2022-06-28T17:08:31Z) - 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) - Isolating and Leveraging Controllable and Noncontrollable Visual
Dynamics in World Models [65.97707691164558]
Iso-DreamはDream-to-Controlフレームワークを2つの側面で改善する。
まず、逆動力学を最適化することにより、世界モデルに制御可能で制御不能な情報源を学習させることを奨励する。
第2に、エージェントの挙動を世界モデルの切り離された潜在的想像力に最適化する。
論文 参考訳(メタデータ) (2022-05-27T08:07:39Z) - Model-Reference Reinforcement Learning for Collision-Free Tracking
Control of Autonomous Surface Vehicles [1.7033108359337459]
提案する制御アルゴリズムは,従来の制御手法と強化学習を組み合わせることで,制御精度と知性を向上させる。
強化学習により、全体トラッキングコントローラはモデルの不確実性を補償し、衝突回避を実現することができる。
論文 参考訳(メタデータ) (2020-08-17T12:15:15Z) - Neural-Swarm: Decentralized Close-Proximity Multirotor Control Using
Learned Interactions [37.21942432077266]
マルチロータ群を近接飛行する非線形分散安定制御系であるNeural-Sを提案する。
提案手法は,高次多車間相互作用を正確に学習する正規化置換不変ディープニューラルネットワーク(DNN)と,名目力学モデルを組み合わせたものである。
実験結果から,提案した制御器は,最大4倍の最悪ケース高追尾誤差を有するベースライン非線形追尾制御器よりも大幅に優れていた。
論文 参考訳(メタデータ) (2020-03-06T01:39:19Z)
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。