論文の概要: Learning Adaptive Control for SE(3) Hamiltonian Dynamics
- arxiv url: http://arxiv.org/abs/2109.09974v1
- Date: Tue, 21 Sep 2021 05:54:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-22 14:07:00.702748
- Title: Learning Adaptive Control for SE(3) Hamiltonian Dynamics
- Title（参考訳）: se(3)ハミルトン力学のための学習適応制御
- Authors: Thai Duong and Nikolay Atanasov
- Abstract要約: 本稿では, 地上, 空中, 水中などの剛体システムに対する適応的幾何制御法を開発した。
我々は、状態制御軌道データから学習したニューラル常微分方程式ネットワークを用いて、系の力学のハミルトンモデルを学ぶ。
第2段階では、エネルギーベースの観点から外乱補償を施した軌道追従制御器を設計する。
- 参考スコア（独自算出の注目度）: 15.26733033527393
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fast adaptive control is a critical component for reliable robot autonomy in
rapidly changing operational conditions. While a robot dynamics model may be
obtained from first principles or learned from data, updating its parameters is
often too slow for online adaptation to environment changes. This motivates the
use of machine learning techniques to learn disturbance descriptors from
trajectory data offline as well as the design of adaptive control to estimate
and compensate the disturbances online. This paper develops adaptive geometric
control for rigid-body systems, such as ground, aerial, and underwater
vehicles, that satisfy Hamilton's equations of motion over the SE(3) manifold.
Our design consists of an offline system identification stage, followed by an
online adaptive control stage. In the first stage, we learn a Hamiltonian model
of the system dynamics using a neural ordinary differential equation (ODE)
network trained from state-control trajectory data with different disturbance
realizations. The disturbances are modeled as a linear combination of nonlinear
descriptors. In the second stage, we design a trajectory tracking controller
with disturbance compensation from an energy-based perspective. An adaptive
control law is employed to adjust the disturbance model online proportional to
the geometric tracking errors on the SE(3) manifold. We verify our adaptive
geometric controller for trajectory tracking on a fully-actuated pendulum and
an under-actuated quadrotor.
- Abstract（参考訳）: 迅速な適応制御は、急速に変化する運用条件において、信頼性の高いロボット自律性にとって重要な要素である。
ロボットのダイナミクスモデルは、最初の原則やデータから得られるかもしれないが、そのパラメーターの更新は、しばしば環境変化へのオンライン適応には遅すぎる。
これにより、軌道データからオフラインで外乱ディスクリプタを学習する機械学習技術や、オンライン外乱を推定して補償するための適応制御の設計が動機付けられる。
本稿では,se(3)多様体上のハミルトンの運動方程式を満たす地上,空中,水中車両などの剛体系の適応幾何制御を考案する。
我々の設計はオフラインのシステム識別段階からなり、続いてオンライン適応制御段階が続く。
第1段階では、外乱実現の異なる状態制御軌道データから訓練された神経常微分方程式(英語版)(ode)ネットワークを用いてシステムダイナミクスのハミルトニアンモデルを学ぶ。
外乱は非線形ディスクリプタの線形結合としてモデル化される。
第2段階ではエネルギーベースの観点から外乱補償を施した軌道追従制御器を設計する。
適応制御法は、SE(3)多様体上の幾何追跡誤差に比例したオンライン乱れモデルを調整するために用いられる。
我々は,全動振子と過動振子を用いた軌道追跡のための適応的幾何制御器を検証する。
関連論文リスト
- DATT: Deep Adaptive Trajectory Tracking for Quadrotor Control [62.24301794794304]
Deep Adaptive Trajectory Tracking (DATT)は、学習に基づくアプローチであり、現実世界の大きな乱れの存在下で、任意の、潜在的に実現不可能な軌跡を正確に追跡することができる。
DATTは、非定常風場における可溶性および非実用性の両方の軌道に対して、競争適応性非線形およびモデル予測コントローラを著しく上回っている。
適応非線形モデル予測制御ベースラインの1/4未満である3.2ms未満の推論時間で、効率的にオンラインで実行することができる。
論文 参考訳（メタデータ） (2023-10-13T12:22:31Z) - Online Calibration of a Single-Track Ground Vehicle Dynamics Model by Tight Fusion with Visual-Inertial Odometry [8.165828311550152]
視覚的慣性眼圧計(VIO)を用いた車輪付き地上車両の単トラックダイナミックスモデルに厳密に融合する新しいアプローチST-VIOを提案する。
提案手法は,将来的な制御入力における前方予測の精度を向上させるために,動的モデルをオンラインで校正し,適応する。
論文 参考訳（メタデータ） (2023-09-20T08:50:30Z) - Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。
LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。
我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文 参考訳（メタデータ） (2023-05-01T23:20:27Z) - 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) - Control-oriented meta-learning [25.316358215670274]
我々は、ニューラルネットワークを用いたデータ駆動モデリングを用いて、過去のデータからオフラインで学習し、非線形特徴の内部パラメトリックモデルによる適応制御を行う。
ベースラーナーとして閉ループ追従シミュレーションを用いた適応制御器をメタ学習し,メタ対象として平均追従誤差を推定する。
論文 参考訳（メタデータ） (2022-04-14T03:02:27Z) - OSCAR: Data-Driven Operational Space Control for Adaptive and Robust
Robot Manipulation [50.59541802645156]
オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。
本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。
本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2021-10-02T01:21:38Z) - Finite-time System Identification and Adaptive Control in Autoregressive
Exogenous Systems [79.67879934935661]
未知のARXシステムのシステム識別と適応制御の問題について検討する。
我々は,オープンループとクローズループの両方のデータ収集の下で,ARXシステムに対する有限時間学習保証を提供する。
論文 参考訳（メタデータ） (2021-08-26T18:00:00Z) - Adaptive-Control-Oriented Meta-Learning for Nonlinear Systems [29.579737941918022]
我々は過去のデータからオフラインで学習し、非線形特徴の内部パラメトリックモデルによる適応制御を行う。
ベースランナーとして閉ループ追跡シミュレーション、メタオブジェクトとして平均トラッキングエラーで適応コントローラをメタ学習します。
非線形平面ロータークラフトを用いて,適応型コントローラが回帰型メタラーニングで学習した他のコントローラよりも優れていることを実証する。
論文 参考訳（メタデータ） (2021-03-07T23:49:59Z) - Logarithmic Regret Bound in Partially Observable Linear Dynamical
Systems [91.43582419264763]
部分的に観測可能な線形力学系におけるシステム同定と適応制御の問題について検討する。
開ループ系と閉ループ系の両方において有限時間保証付きの最初のモデル推定法を提案する。
AdaptOnは、未知の部分観測可能な線形力学系の適応制御において、$textpolylogleft(Tright)$ regretを達成する最初のアルゴリズムであることを示す。
論文 参考訳（メタデータ） (2020-03-25T06:00:33Z) - Implicit Regularization and Momentum Algorithms in Nonlinearly
Parameterized Adaptive Control and Prediction [13.860437051795419]
我々は,古典的適応非線形制御技術と最近の機械学習の進歩との間に強いつながりを生かしている。
適応的非線形制御と適応的ダイナミクス予測の両方において,アルゴリズム開発には未発達の可能性があることが示されている。
論文 参考訳（メタデータ） (2019-12-31T03:13:25Z)
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。