論文の概要: Neural-Swarm2: Planning and Control of Heterogeneous Multirotor Swarms
using Learned Interactions
- arxiv url: http://arxiv.org/abs/2012.05457v1
- Date: Thu, 10 Dec 2020 05:08:31 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-15 06:29:43.883970
- Title: Neural-Swarm2: Planning and Control of Heterogeneous Multirotor Swarms
using Learned Interactions
- Title(参考訳): Neural-Swarm2:学習インタラクションを用いた異種マルチロータ群の設計と制御
- Authors: Guanya Shi, Wolfgang H\"onig, Xichen Shi, Yisong Yue, Soon-Jo Chung
- Abstract要約: 本稿では,群れ内の異種マルチロータを安全に近接飛行させる運動計画・制御のための学習ベース手法であるneural-swarm2を提案する。
本手法は,物理学に基づく名目ダイナミクスモデルと学習型深層ニューラルネットワーク(dnns)と強いリプシッツ特性を組み合わせたものである。
- 参考スコア(独自算出の注目度): 38.881310154473205
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present Neural-Swarm2, a learning-based method for motion planning and
control that allows heterogeneous multirotors in a swarm to safely fly in close
proximity. Such operation for drones is challenging due to complex aerodynamic
interaction forces, such as downwash generated by nearby drones and ground
effect. Conventional planning and control methods neglect capturing these
interaction forces, resulting in sparse swarm configuration during flight. Our
approach combines a physics-based nominal dynamics model with learned Deep
Neural Networks (DNNs) with strong Lipschitz properties. We evolve two
techniques to accurately predict the aerodynamic interactions between
heterogeneous multirotors: i) spectral normalization for stability and
generalization guarantees of unseen data and ii) heterogeneous deep sets for
supporting any number of heterogeneous neighbors in a permutation-invariant
manner without reducing expressiveness. The learned residual dynamics benefit
both the proposed interaction-aware multi-robot motion planning and the
nonlinear tracking control designs because the learned interaction forces
reduce the modelling errors. Experimental results demonstrate that
Neural-Swarm2 is able to generalize to larger swarms beyond training cases and
significantly outperforms a baseline nonlinear tracking controller with up to
three times reduction in worst-case tracking errors.
- Abstract(参考訳): 本稿では,群れ内の異種マルチロータを安全に近接飛行させる運動計画・制御のための学習ベース手法であるneural-swarm2を提案する。
このようなドローンの運用は、近くのドローンが生み出すダウンウォッシュや地上効果のような複雑な空気力学的相互作用力のために困難である。
従来の計画と制御方法はこれらの相互作用力の捕獲を怠り、飛行中にスウォーム構成が疎遠になった。
本手法は,物理学に基づく名目ダイナミクスモデルと学習型深層ニューラルネットワーク(dnns)と強いリプシッツ特性を組み合わせたものである。
我々は,不均一なマルチロータ間の空力的相互作用を正確に予測する2つの手法を進化させた。i)不均一なデータに対するスペクトル正規化と一般化保証,i)不均一な近傍を表現性を低下させることなく置換不変に支持するための不均一な深度集合。
学習された残差ダイナミクスは、学習された相互作用力がモデリング誤差を減少させるため、対話認識型マルチロボット動作計画と非線形追従制御設計の両方に有益である。
実験結果から、Neural-Swarm2はトレーニングケースを超えてより大きなSwarmに一般化でき、最低ケース追跡エラーの最大3倍の削減でベースラインの非線形トラッキングコントローラよりも大幅に優れていた。
関連論文リスト
- Learning Nonlinear Projections for Reduced-Order Modeling of Dynamical
Systems using Constrained Autoencoders [0.0]
制約付き自己エンコーダニューラルネットワークによって記述された非線形射影のクラスを導入し,データから多様体と射影繊維の両方を学習する。
我々のアーキテクチャでは、エンコーダがデコーダの左逆であることを保証するために、可逆的アクティベーション関数と生物直交重み行列を用いる。
また,高速なダイナミックスと非正規性を考慮した斜め射影ファイバの学習を促進するために,新しいダイナミックス対応コスト関数を導入する。
論文 参考訳(メタデータ) (2023-07-28T04:01:48Z) - An Adaptive Fuzzy Reinforcement Learning Cooperative Approach for the
Autonomous Control of Flock Systems [4.961066282705832]
この研究は、群集システムの自律制御に適応的な分散ロバスト性技術を導入している。
比較的柔軟な構造は、様々な目的を同時に狙うオンラインファジィ強化学習スキームに基づいている。
動的障害に直面した場合のレジリエンスに加えて、アルゴリズムはフィードバック信号としてエージェントの位置以上のものを必要としない。
論文 参考訳(メタデータ) (2023-03-17T13:07:35Z) - Trustworthy Reinforcement Learning for Quadrotor UAV Tracking Control
Systems [2.7467053150385956]
本研究では, 未知の空力効果に対する分散強化学習障害推定器を統合した新しいトラジェクトリトラッカーを提案する。
提案手法は, 空気力学効果の真値と推定値の不確かさを正確に同定する。
本システムは,最近の技術と比較して,累積追尾誤差を少なくとも70%改善することを示した。
論文 参考訳(メタデータ) (2023-02-22T23:15:56Z) - Safety-compliant Generative Adversarial Networks for Human Trajectory
Forecasting [95.82600221180415]
群衆における人間予測は、社会的相互作用をモデル化し、衝突のないマルチモーダル分布を出力するという課題を提示する。
SGANv2は、動き時間相互作用モデリングと変圧器に基づく識別器設計を備えた安全に配慮したSGANアーキテクチャである。
論文 参考訳(メタデータ) (2022-09-25T15:18:56Z) - 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) - Haar Wavelet based Block Autoregressive Flows for Trajectories [129.37479472754083]
歩行者等の軌道予測は,自律型エージェントの性能向上に不可欠である。
本稿では分割結合を利用した新しいハールウェーブレットに基づくブロック自己回帰モデルを提案する。
実世界の2つのデータセット上で、多種多様な正確な軌跡を生成するアプローチの利点について説明する。
論文 参考訳(メタデータ) (2020-09-21T13:57:10Z) - Risk-Sensitive Sequential Action Control with Multi-Modal Human
Trajectory Forecasting for Safe Crowd-Robot Interaction [55.569050872780224]
本稿では,リスクに敏感な最適制御に基づく安全な群集ロボットインタラクションのためのオンラインフレームワークを提案し,そのリスクをエントロピーリスク尺度でモデル化する。
私たちのモジュラーアプローチは、クラウドとロボットの相互作用を学習ベースの予測とモデルベースの制御に分離します。
シミュレーション研究と実世界の実験により、このフレームワークは、現場にいる50人以上の人間との衝突を避けながら、安全で効率的なナビゲーションを実現することができることが示された。
論文 参考訳(メタデータ) (2020-09-12T02:02:52Z) - First Steps: Latent-Space Control with Semantic Constraints for
Quadruped Locomotion [73.37945453998134]
従来の四重化制御のアプローチでは、単純化された手作りのモデルが採用されている。
これにより、有効な運動範囲が縮小されているため、ロボットの能力が大幅に低下する。
この研究において、これらの課題は、構造化潜在空間における最適化として四重化制御をフレーミングすることによって解決される。
深い生成モデルは、実現可能な関節構成の統計的表現を捉え、一方、複雑な動的および終端的制約は高レベルな意味的指標によって表現される。
実世界とシミュレーションの両方で最適化された移動軌跡の実現可能性を検証する。
論文 参考訳(メタデータ) (2020-07-03T07:04:18Z) - 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。