論文の概要: AutoTune: Controller Tuning for High-Speed Flight

• arxiv url: http://arxiv.org/abs/2103.10698v1
• Date: Fri, 19 Mar 2021 09:12:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-22 17:43:49.678458
• Title: AutoTune: Controller Tuning for High-Speed Flight
• Title（参考訳）: AutoTune: 高速飛行のためのコントローラチューニング
• Authors: Antonio Loquercio, Alessandro Saviolo, Davide Scaramuzza
• Abstract要約: 高速操作を追跡するとき、コントローラーはチューニングにどの程度敏感か? 自動チューニングには何のアルゴリズムが使えるのか? 高速飛行専用に調整したサンプリングに基づくチューニングアルゴリズムであるautotuneを提案する。
• 参考スコア（独自算出の注目度）: 117.69289575486246
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to noisy actuation and external disturbances, tuning controllers for high-speed flight is very challenging. In this paper, we ask the following questions: How sensitive are controllers to tuning when tracking high-speed maneuvers? What algorithms can we use to automatically tune them? To answer the first question, we study the relationship between parameters and performance and find out that the faster the maneuver, the more sensitive a controller becomes to its parameters. To answer the second question, we review existing methods for controller tuning and discover that prior works often perform poorly on the task of high-speed flight. Therefore, we propose AutoTune, a sampling-based tuning algorithm specifically tailored to high-speed flight. In contrast to previous work, our algorithm does not assume any prior knowledge of the drone or its optimization function and can deal with the multi-modal characteristics of the parameters' optimization space. We thoroughly evaluate AutoTune both in simulation and in the physical world. In our experiments, we outperform existing tuning algorithms by up to 90\% in trajectory completion. The resulting controllers are tested in the AirSim Game of Drones competition, where we outperform the winner by up to 25\% in lap-time. Finally, we show that AutoTune improves tracking error when flying a physical platform with respect to parameters tuned by a human expert.
• Abstract（参考訳）: 騒音や外乱のため、高速飛行のための制御器は非常に困難である。 本稿では, 制御器が高速操作をトラッキングする際のチューニングにどの程度敏感か? 自動チューニングには何のアルゴリズムが使えるのか? 最初の質問に答えるために,パラメータと性能の関係を調査し,操作が速くなればなるほど,コントローラがパラメータに敏感になることを示す。 第2の疑問に答えるために,既存の制御チューニング手法をレビューし,前処理が高速飛行のタスクにおいて性能に乏しいことを発見した。 そこで我々は,高速飛行に特化したサンプリング型チューニングアルゴリズムであるautotuneを提案する。 従来の研究とは対照的に,我々のアルゴリズムは,ドローンの事前知識や最適化関数を前提とせず,パラメータの最適化空間のマルチモーダル特性に対処することができる。 我々はシミュレーションと物理界の両方でオートチューンを徹底的に評価する。 実験では、既存のチューニングアルゴリズムを最大90%の軌道完了度で上回りました。 結果得られたコントローラーはairsim game of dronesコンペティション(airsim game of drone competition)でテストされています。 最後にautotuneは、人間のエキスパートが調整したパラメータに関して、物理的プラットフォームを飛行する際のトラッキングエラーを改善する。

関連論文リスト

• Autotuning Bipedal Locomotion MPC with GRFM-Net for Efficient Sim-to-Real Transfer [10.52309107195141]
  DiffTune を用いた二足歩行制御におけるパラメータ選択の課題に対処する。 大きな困難は、モデルの忠実さと差別性とのバランスにある。 ハードウェア実験においてDiffTuneとGRFM-Netで得られたパラメータを検証する。
  論文  参考訳（メタデータ） (2024-09-24T03:58:18Z)
• Reaching the Limit in Autonomous Racing: Optimal Control versus Reinforcement Learning [66.10854214036605]
  ロボット工学における中心的な問題は、アジャイルなモバイルロボットの制御システムをどうやって設計するかである。 本稿では、強化学習(RL)で訓練されたニューラルネットワークコントローラが最適制御(OC)法より優れていることを示す。 その結果、アジャイルドローンを最大性能に押し上げることができ、最大加速速度は重力加速度の12倍以上、ピーク速度は時速108kmに達しました。
  論文  参考訳（メタデータ） (2023-10-17T02:40:27Z)
• PTP: Boosting Stability and Performance of Prompt Tuning with Perturbation-Based Regularizer [94.23904400441957]
  損失景観を平滑化できる摂動型正規化器を即時チューニングに導入する。 我々は乱数ノイズベースと逆数ベースを含む2種類の摂動型正規化器を設計する。 我々の新しいアルゴリズムは,SuperGLUEベンチマークとFewGLUEベンチマークでそれぞれ1.94%,2.34%の最先端のプロンプトチューニング手法を改善した。
  論文  参考訳（メタデータ） (2023-05-03T20:30:51Z)
• Hyper-Parameter Auto-Tuning for Sparse Bayesian Learning [72.83293818245978]
  我々は、疎ベイズ学習におけるハイパーパラメータチューニングのためのニューラルネットワーク(NN)ベースのオートチューニングを設計し、学習する。 コンバージェンス率とリカバリ性能の大幅な向上が達成できることを示す。
  論文  参考訳（メタデータ） (2022-11-09T12:34:59Z)
• Designing a Robust Low-Level Agnostic Controller for a Quadrotor with Actor-Critic Reinforcement Learning [0.38073142980732994]
  ソフトアクター・クリティカルに基づく低レベルウェイポイント誘導制御器の訓練段階におけるドメインランダム化を提案する。 トレーニング中の四元数力学に一定の不確実性を導入することにより、より大規模な四元数パラメータを用いて提案課題を実行することができる制御器が得られることを示す。
  論文  参考訳（メタデータ） (2022-10-06T14:58:19Z)
• Performance-Driven Controller Tuning via Derivative-Free Reinforcement Learning [6.5158195776494]
  我々は,新しい微分自由強化学習フレームワークを用いて,制御器のチューニング問題に取り組む。 我々は,PIDコントローラを用いた適応走行制御とMPCコントローラを用いた軌道追跡という,自律走行による2つの具体例に関する数値実験を行った。 実験の結果,提案手法は一般的なベースラインよりも優れており,コントローラチューニングの強い可能性を強調している。
  論文  参考訳（メタデータ） (2022-09-11T13:01:14Z)
• On Controller Tuning with Time-Varying Bayesian Optimization [74.57758188038375]
  制御対象とその変更に関する適切な事前知識を用いて、時間変化最適化(TVBO)を用いて、変更環境におけるコントローラのオンラインチューニングを行う。 本研究では,不確実性注入(UI)を用いたTVBO戦略を提案する。 我々のモデルはTVBOの最先端手法よりも優れており、後悔の軽減と不安定なパラメータ構成の低減を実現している。
  論文  参考訳（メタデータ） (2022-07-22T14:54:13Z)
• An Adaptive PID Autotuner for Multicopters with Experimental Results [0.0]
  オートチューナーは、PX4フライトスタックに実装されたレトロスペクティブコスト適応制御に基づく適応型デジタル制御法で構成されている。 オートパイロットはデフォルトのオートパイロットよりも優れていることが観察された。
  論文  参考訳（メタデータ） (2021-09-27T04:59:48Z)
• Amortized Auto-Tuning: Cost-Efficient Transfer Optimization for Hyperparameter Recommendation [83.85021205445662]
  本稿では,機械学習モデルのチューニングを高速化する自動チューニング(AT2)を提案する。 マルチタスクマルチ忠実ベイズ最適化フレームワークの徹底的な解析を行い、最適なインスタンス化-アモータイズ自動チューニング(AT2)を実現する。
  論文  参考訳（メタデータ） (2021-06-17T00:01:18Z)
• Using hardware performance counters to speed up autotuning convergence on GPUs [0.0]
  チューニング空間を探索する新しい手法を提案する。 この方法は、経験的チューニング中にハードウェアパフォーマンスカウンタを収集する。 提案手法は,アプリケーションが異なるハードウェアに移植される必要がある場合や,異なる特性を持つデータを処理する必要がある場合,自動チューニングを高速化できることを実験的に実証する。
  論文  参考訳（メタデータ） (2021-02-10T07:42:39Z)

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。