論文の概要: Temporal Convolutions for Multi-Step Quadrotor Motion Prediction
- arxiv url: http://arxiv.org/abs/2110.04182v1
- Date: Fri, 8 Oct 2021 15:05:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-11 17:20:03.888036
- Title: Temporal Convolutions for Multi-Step Quadrotor Motion Prediction
- Title(参考訳): 多段四重項運動予測のための時間畳み込み
- Authors: Samuel Looper and Steven L. Waslander
- Abstract要約: 提案するEnd2End-TCNは、将来の制御入力を統合した完全な畳み込みアーキテクチャであり、複数ステップの動作予測を1つの前方通過で計算する。
最終的にEnd2End-TCNは、攻撃的な屋内四極子飛行データセット上での多段階予測において、技術の状態を55%エラー削減する。
- 参考スコア(独自算出の注目度): 7.394029879643516
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Model-based control methods for robotic systems such as quadrotors,
autonomous driving vehicles and flexible manipulators require motion models
that generate accurate predictions of complex nonlinear system dynamics over
long periods of time. Temporal Convolutional Networks (TCNs) can be adapted to
this challenge by formulating multi-step prediction as a sequence-to-sequence
modeling problem. We present End2End-TCN: a fully convolutional architecture
that integrates future control inputs to compute multi-step motion predictions
in one forward pass. We demonstrate the approach with a thorough analysis of
TCN performance for the quadrotor modeling task, which includes an
investigation of scaling effects and ablation studies. Ultimately, End2End-TCN
provides 55% error reduction over the state of the art in multi-step prediction
on an aggressive indoor quadrotor flight dataset. The model yields accurate
predictions across 90 timestep horizons over a 900 ms interval.
- Abstract(参考訳): 四輪車、自律走行車、フレキシブルマニピュレータなどのロボットシステムのモデルベース制御法は、長い時間にわたって複雑な非線形系の力学の正確な予測を生成する運動モデルを必要とする。
時間畳み込みネットワーク(TCN)は、シーケンス・ツー・シーケンス・モデリング問題として多段階予測を定式化することにより、この課題に適応することができる。
提案するEnd2End-TCNは、将来の制御入力を統合した完全な畳み込みアーキテクチャである。
本稿では, スケーリング効果とアブレーション研究を含む, 四重項モデリングタスクにおけるTCN性能の徹底的な解析を行った。
最終的にEnd2End-TCNは、攻撃的な屋内四極子飛行データセット上での多段階予測において、技術の状態を55%エラー削減する。
このモデルは900ms間隔で90段階の地平線を正確に予測する。
関連論文リスト
- TrTr: A Versatile Pre-Trained Large Traffic Model based on Transformer
for Capturing Trajectory Diversity in Vehicle Population [13.75828180340772]
本研究では,トランスフォーマーアーキテクチャを交通タスクに適用し,車内における軌道の多様性を学習することを目的とした。
我々は、注意機構に合わせてデータ構造を作成し、繰り返しの時間的要求に対応する一連のノイズを導入する。
設計した事前学習モデルは,車両の空間分布を捉える上で優れた性能を示す。
論文 参考訳(メタデータ) (2023-09-22T07:36:22Z) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳(メタデータ) (2023-01-05T13:59:29Z) - Contextually Enhanced ES-dRNN with Dynamic Attention for Short-Term Load
Forecasting [1.1602089225841632]
提案手法は,コンテキストトラックとメイントラックという,同時に訓練された2つのトラックから構成される。
RNNアーキテクチャは、階層的な拡張を積み重ねた複数の繰り返し層で構成され、最近提案された注意的再帰細胞を備えている。
このモデルは点予測と予測間隔の両方を生成する。
論文 参考訳(メタデータ) (2022-12-18T07:42:48Z) - Data-driven low-dimensional dynamic model of Kolmogorov flow [0.0]
流れのダイナミクスを捉える低次モデル (ROM) はシミュレーションの計算コストの削減に重要である。
この研究は、フローのダイナミクスと特性を効果的にキャプチャする最小次元モデルのためのデータ駆動フレームワークを示す。
我々はこれをカオス的かつ断続的な行動からなる体制におけるコルモゴロフ流に適用する。
論文 参考訳(メタデータ) (2022-10-29T23:05:39Z) - 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) - Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。
具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。
そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
論文 参考訳(メタデータ) (2022-02-17T02:17:31Z) - Predicting Physics in Mesh-reduced Space with Temporal Attention [15.054026802351146]
本稿では,トランス方式の時間的アテンションモデルを用いて,長期的依存関係をキャプチャする手法を提案する。
本手法は, 複雑な流体力学予測タスクにおいて, 競合するGNNベースラインよりも優れる。
我々のアプローチは、高次元複雑な物理課題の解決に注意に基づくシーケンスモデルの利点をもたらす道を開いたと信じている。
論文 参考訳(メタデータ) (2022-01-22T18:32:54Z) - Deep Probabilistic Time Series Forecasting using Augmented Recurrent
Input for Dynamic Systems [12.319812075685956]
我々は、深部生成モデルと状態空間モデル(SSM)の両方の進歩を組み合わせて、新しいデータ駆動の深部確率的シーケンスモデルを考え出す。
特に、リカレントニューラルネットワーク(RNN)を用いた変動配列モデルを構築するために、一般的なエンコーダデコーダ生成構造に従う。
トレーニングと予測の不整合を緩和するために,次のステップでハイブリッド出力を入力として使用することを提案する。
論文 参考訳(メタデータ) (2021-06-03T23:41:11Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳(メタデータ) (2020-10-08T20:25:52Z) - Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。
これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。
この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文 参考訳(メタデータ) (2020-02-21T05:00:01Z)
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。