論文の概要: Neural-MPC: Deep Learning Model Predictive Control for Quadrotors and
Agile Robotic Platforms
- arxiv url: http://arxiv.org/abs/2203.07747v1
- Date: Tue, 15 Mar 2022 09:38:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-17 02:25:08.547230
- Title: Neural-MPC: Deep Learning Model Predictive Control for Quadrotors and
Agile Robotic Platforms
- Title(参考訳): Neural-MPC: 四脚ロボットとアジャイルロボットプラットフォームのためのディープラーニングモデル予測制御
- Authors: Tim Salzmann, Elia Kaufmann, Marco Pavone, Davide Scaramuzza, Markus
Ryll
- Abstract要約: モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを統合するためのフレームワークであるNeural-MPCを提案する。
シミュレーションと,高度にアジャイルな四角形プラットフォーム上での実世界で実施した我々の実験は,最大83%の位置追跡誤差を減少させることを示した。
- 参考スコア(独自算出の注目度): 63.33467732915007
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Model Predictive Control (MPC) has become a popular framework in embedded
control for high-performance autonomous systems. However, to achieve good
control performance using MPC, an accurate dynamics model is key. To maintain
real-time operation, the dynamics models used on embedded systems have been
limited to simple first-principle models, which substantially limits their
representative power. In contrast, neural networks can model complex effects
purely from data. In contrast to such simple models, machine learning
approaches such as neural networks have been shown to accurately model even
complex dynamic effects, but their large computational complexity hindered
combination with fast real-time iteration loops. With this work, we present
Neural-MPC, a framework to efficiently integrate large, complex neural network
architectures as dynamics models within a model-predictive control pipeline.
Our experiments, performed in simulation and the real world on a highly agile
quadrotor platform, demonstrate up to 83% reduction in positional tracking
error when compared to state-of-the-art MPC approaches without neural network
dynamics.
- Abstract(参考訳): モデル予測制御(MPC)は、高性能自律システムの組込み制御において一般的なフレームワークとなっている。
しかし, MPCを用いた制御性能向上のためには, 正確な力学モデルが重要である。
リアルタイム操作を維持するため、組込みシステムで使用されるダイナミクスモデルは単純な第一原理モデルに制限されており、その代表力を実質的に制限している。
対照的に、ニューラルネットワークはデータから純粋に複雑な効果をモデル化することができる。
このような単純なモデルとは対照的に、ニューラルネットワークのような機械学習アプローチは、複雑な動的効果を正確にモデル化することが示されているが、その大きな計算複雑性は、高速なリアルタイム反復ループと組み合わせることを妨げる。
本研究では,大規模で複雑なニューラルネットワークアーキテクチャをモデル予測制御パイプライン内のダイナミクスモデルとして効率的に統合するフレームワークであるneural-mpcを提案する。
シミュレーションと高アジャイルな四極子プラットフォームを用いた実世界実験では,ニューラルネットワークのダイナミクスを伴わない最先端のMPCアプローチと比較して,位置追跡誤差が最大83%減少した。
関連論文リスト
- STORM: Efficient Stochastic Transformer based World Models for
Reinforcement Learning [82.03481509373037]
近年,モデルに基づく強化学習アルゴリズムは視覚入力環境において顕著な有効性を示している。
本稿では,強力なモデリングと生成機能を組み合わせた効率的な世界モデルアーキテクチャであるTransformer-based wORld Model (STORM)を紹介する。
Stormは、Atari 100$kベンチマークで平均126.7%の人的パフォーマンスを達成し、最先端のメソッドの中で新しい記録を樹立した。
論文 参考訳(メタデータ) (2023-10-14T16:42:02Z) - End-to-End Reinforcement Learning of Koopman Models for Economic
Nonlinear Model Predictive Control [50.0791489606211]
非線形モデル予測制御((e)NMPC)は、すべての状態空間領域において十分正確なシステムモデルを必要とする。
メカニスティックモデルのためのデータ駆動サロゲートモデルは、(e)NMPCの計算負担を軽減するために使用できる。
In this method for end-to-end reinforcement learning of dynamic surrogate model for optimal performance in (e)NMPC applications。
論文 参考訳(メタデータ) (2023-08-03T10:21:53Z) - Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model
Predictive Control [49.60520501097199]
本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。
我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
論文 参考訳(メタデータ) (2022-10-23T00:45:05Z) - 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) - RLFlow: Optimising Neural Network Subgraph Transformation with World
Models [0.0]
本稿では,ニューラルネットワークのアーキテクチャを最適化するためのモデルベースエージェントを提案する。
提案手法は, 共通の畳み込みネットワーク上での最先端技術の性能に適合し, トランスフォーマースタイルのアーキテクチャでは最大5%性能が向上することを示す。
論文 参考訳(メタデータ) (2022-05-03T11:52:54Z) - KNODE-MPC: A Knowledge-based Data-driven Predictive Control Framework
for Aerial Robots [5.897728689802829]
我々は、知識に基づくニューラル常微分方程式(KNODE)というディープラーニングツールを用いて、第一原理から得られたモデルを拡張する。
得られたハイブリッドモデルは、名目上の第一原理モデルと、シミュレーションまたは実世界の実験データから学習したニューラルネットワークの両方を含む。
閉ループ性能を改善するため、ハイブリッドモデルはKNODE-MPCとして知られる新しいMPCフレームワークに統合される。
論文 参考訳(メタデータ) (2021-09-10T12:09:18Z) - Iterative Semi-parametric Dynamics Model Learning For Autonomous Racing [2.40966076588569]
本稿では,ニューラルネットワークを用いた反復学習セミパラメトリックモデルを自律レースの課題に適用する。
我々のモデルは純粋にパラメトリックモデルよりも正確に学習でき、純粋に非パラメトリックモデルよりもより一般化できることを示す。
論文 参考訳(メタデータ) (2020-11-17T16:24:10Z) - Information Theoretic Model Predictive Q-Learning [64.74041985237105]
本稿では,情報理論的MPCとエントロピー正規化RLとの新たな理論的関連性を示す。
バイアスモデルを利用したQ-ラーニングアルゴリズムを開発した。
論文 参考訳(メタデータ) (2019-12-31T00:29:22Z)
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。