論文の概要: Neural-Rendezvous: Provably Robust Guidance and Control to Encounter Interstellar Objects
- arxiv url: http://arxiv.org/abs/2208.04883v5
- Date: Fri, 01 Nov 2024 21:25:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-05 14:41:25.897789
- Title: Neural-Rendezvous: Provably Robust Guidance and Control to Encounter Interstellar Objects
- Title（参考訳）: ニューラルレンデブー : 星間物体の観測におけるロバスト誘導と制御
- Authors: Hiroyasu Tsukamoto, Soon-Jo Chung, Yashwanth Kumar Nakka, Benjamin Donitz, Declan Mages, Michel Ingham,
- Abstract要約: 本稿では、高速移動物体に遭遇するためのディープラーニングに基づくガイダンスおよび制御フレームワークであるNeural-Rendezvousを提案する。
スペクトル正規化ディープニューラルネットワークによってモデル化されたガイダンスポリシの上に、ポイントワイズで最小限のノルムトラッキング制御を使用する。
ニューラルレンデブースは、期待される宇宙船の配送誤差に比例して高い確率指数を与えることを示した。
- 参考スコア（独自算出の注目度）: 7.247490901520671
- License:
- Abstract: Interstellar objects (ISOs) are likely representatives of primitive materials invaluable in understanding exoplanetary star systems. Due to their poorly constrained orbits with generally high inclinations and relative velocities, however, exploring ISOs with conventional human-in-the-loop approaches is significantly challenging. This paper presents Neural-Rendezvous -- a deep learning-based guidance and control framework for encountering fast-moving objects, including ISOs, robustly, accurately, and autonomously in real time. It uses pointwise minimum norm tracking control on top of a guidance policy modeled by a spectrally-normalized deep neural network, where its hyperparameters are tuned with a loss function directly penalizing the MPC state trajectory tracking error. We show that Neural-Rendezvous provides a high probability exponential bound on the expected spacecraft delivery error, the proof of which leverages stochastic incremental stability analysis. In particular, it is used to construct a non-negative function with a supermartingale property, explicitly accounting for the ISO state uncertainty and the local nature of nonlinear state estimation guarantees. In numerical simulations, Neural-Rendezvous is demonstrated to satisfy the expected error bound for 100 ISO candidates. This performance is also empirically validated using our spacecraft simulator and in high-conflict and distributed UAV swarm reconfiguration with up to 20 UAVs.
- Abstract（参考訳）: 恒星間天体(ISO)は、太陽系外惑星系を理解する上で貴重な原始物質である可能性が高い。
しかし、一般的に高い傾斜率と相対速度を持つ低軌道のため、従来のヒト・イン・ザ・ループのアプローチによるISOの探索は極めて困難である。
本稿では,ISOを含む高速移動物体に遭遇する深層学習に基づく誘導制御フレームワークであるNeural-Rendezvousについて述べる。
スペクトル正規化ディープニューラルネットワークによってモデル化された誘導ポリシーの上に、ポイントワイズ最小ノルムトラッキング制御を使用し、そのハイパーパラメータは、MPC状態軌跡追跡エラーを直接ペナルティ化する損失関数でチューニングされる。
Neural-Rendezvous は、期待される宇宙船の配送誤差に高い確率指数的境界を与え、その証明は確率的漸進安定性解析を利用することを示す。
特に、ISO状態の不確かさと非線形状態推定保証の局所的性質を明示的に考慮し、スーパーマーチンゲール特性を持つ非負関数を構築するために用いられる。
数値シミュレーションでは、100のISO候補に対して期待される誤差を満たすために、Neural-Rendezvousが示されている。
この性能は、我々の宇宙船シミュレーターと、最大20個のUAVで高速で分散されたUAVスウォーム再構成を用いて実証的に検証されている。
関連論文リスト
- SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。
伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。
本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-29T08:00:15Z) - Lyapunov-stable Neural Control for State and Output Feedback: A Novel Formulation [67.63756749551924]
学習ベースのニューラルネットワーク(NN)制御ポリシは、ロボット工学と制御の幅広いタスクにおいて、印象的な経験的パフォーマンスを示している。
非線形力学系を持つNNコントローラのトラクション領域(ROA)に対するリアプノフ安定性の保証は困難である。
我々は、高速な経験的ファルシフィケーションと戦略的正則化を用いて、Lyapunov証明書とともにNNコントローラを学習するための新しいフレームワークを実証する。
論文 参考訳（メタデータ） (2024-04-11T17:49:15Z) - Integrating DeepRL with Robust Low-Level Control in Robotic Manipulators for Non-Repetitive Reaching Tasks [0.24578723416255746]
ロボット工学では、現代の戦略は学習に基づくもので、複雑なブラックボックスの性質と解釈可能性の欠如が特徴である。
本稿では, 深部強化学習(DRL)に基づく衝突のない軌道プランナと, 自動調整型低レベル制御戦略を統合することを提案する。
論文 参考訳（メタデータ） (2024-02-04T15:54:03Z) - Uncovering the Missing Pattern: Unified Framework Towards Trajectory
Imputation and Prediction [60.60223171143206]
軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。
現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。
本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-28T14:27:27Z) - Neural Laplace Control for Continuous-time Delayed Systems [76.81202657759222]
本稿では,ニューラルラプラス力学モデルとモデル予測制御(MPC)プランナを組み合わせた連続時間モデルに基づくオフラインRL法を提案する。
専門家の政策性能に近い連続的な遅延環境を実験的に示す。
論文 参考訳（メタデータ） (2023-02-24T12:40:28Z) - Constrained Reinforcement Learning using Distributional Representation for Trustworthy Quadrotor UAV Tracking Control [2.325021848829375]
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) - 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) - Neural Network Optimal Feedback Control with Guaranteed Local Stability [2.8725913509167156]
テスト精度の高いニューラルネットワーク(NN)コントローラでは,動的システムを局所的に安定化させることができないことを示す。
提案するNNアーキテクチャは,最適化されたフィードバックポリシを学習するための半言語近似能力を維持しながら,局所的な安定性を保証する。
論文 参考訳（メタデータ） (2022-05-01T04:23:24Z) - Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。
LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。
標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
論文 参考訳（メタデータ） (2021-06-23T18:00:05Z) - Attribute-Guided Adversarial Training for Robustness to Natural
Perturbations [64.35805267250682]
本稿では,属性空間への分類器の露出を最大化するために,新しいサンプルを生成することを学習する逆学習手法を提案する。
我々のアプローチは、ディープニューラルネットワークが自然に発生する摂動に対して堅牢であることを可能にする。
論文 参考訳（メタデータ） (2020-12-03T10:17:30Z) - Neural Contraction Metrics for Robust Estimation and Control: A Convex
Optimization Approach [6.646482960350819]
本稿では,ニューラル・コントラクト・メトリック(NCM)の概念を用いて,ロバストな非線形推定と制御のための新しいディープラーニングベースのフレームワークを提案する。
NCMは、最適な収縮距離を大域的に近似するために、ディープロング短期記憶リカレントニューラルネットワークを使用する。
そこで本稿では,NCMを用いた非線形システムの最適推定器と制御器の設計について述べる。
論文 参考訳（メタデータ） (2020-06-08T05:29:38Z)
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。