論文の概要: RAMP-Net: A Robust Adaptive MPC for Quadrotors via Physics-informed
Neural Network
- arxiv url: http://arxiv.org/abs/2209.09025v1
- Date: Mon, 19 Sep 2022 16:11:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-20 19:58:27.561288
- Title: RAMP-Net: A Robust Adaptive MPC for Quadrotors via Physics-informed
Neural Network
- Title(参考訳): RAMP-Net:物理インフォームドニューラルネットワークによる四元子用ロバスト適応MPC
- Authors: Sourav Sanyal and Kaushik Roy
- Abstract要約: 本稿では、単純なODEとデータの一部をトレーニングしたニューラルネットワークを用いて、PINN(RAMP-Net)を介してロバスト適応MPCフレームワークを提案する。
我々は,SOTA回帰に基づく2つのMPC法と比較して,0.5~1.75m/sの追跡誤差を7.8%から43.2%,8.04%から61.5%削減した。
- 参考スコア(独自算出の注目度): 6.309365332210523
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Model Predictive Control (MPC) is a state-of-the-art (SOTA) control technique
which requires solving hard constrained optimization problems iteratively. For
uncertain dynamics, analytical model based robust MPC imposes additional
constraints, increasing the hardness of the problem. The problem exacerbates in
performance-critical applications, when more compute is required in lesser
time. Data-driven regression methods such as Neural Networks have been proposed
in the past to approximate system dynamics. However, such models rely on high
volumes of labeled data, in the absence of symbolic analytical priors. This
incurs non-trivial training overheads. Physics-informed Neural Networks (PINNs)
have gained traction for approximating non-linear system of ordinary
differential equations (ODEs), with reasonable accuracy. In this work, we
propose a Robust Adaptive MPC framework via PINNs (RAMP-Net), which uses a
neural network trained partly from simple ODEs and partly from data. A physics
loss is used to learn simple ODEs representing ideal dynamics. Having access to
analytical functions inside the loss function acts as a regularizer, enforcing
robust behavior for parametric uncertainties. On the other hand, a regular data
loss is used for adapting to residual disturbances (non-parametric
uncertainties), unaccounted during mathematical modelling. Experiments are
performed in a simulated environment for trajectory tracking of a quadrotor. We
report 7.8% to 43.2% and 8.04% to 61.5% reduction in tracking errors for speeds
ranging from 0.5 to 1.75 m/s compared to two SOTA regression based MPC methods.
- Abstract(参考訳): モデル予測制御(MPC)は、厳密な制約付き最適化問題を反復的に解くことを必要とする最先端(SOTA)制御技術である。
不確定なダイナミクスのために、分析モデルに基づくロバストなmpcは追加の制約を課し、問題の難易度を高めている。
この問題は、少ない時間でより多くの計算が必要な場合、パフォーマンスクリティカルなアプリケーションでは悪化する。
ニューラルネットワークのようなデータ駆動回帰法は、システムダイナミクスを近似するために過去に提案されている。
しかし、そのようなモデルは、記号分析の優先順位がないにもかかわらず、大量のラベル付きデータに依存する。
これは非自明なトレーニングオーバーヘッドを伴います。
物理インフォームドニューラルネットワーク(PINN)は、通常の微分方程式(ODE)の非線形系を妥当な精度で近似するための牽引力を得ている。
本研究では、単純なODEとデータの一部をトレーニングしたニューラルネットワークを用いた、PINN(RAMP-Net)によるロバスト適応MPCフレームワークを提案する。
物理損失は、理想的な力学を表す単純なODEを学ぶために用いられる。
損失関数の内部で解析関数にアクセスすることは、パラメトリックの不確かさに対して堅牢な振る舞いを強制するレギュレータとして機能する。
一方、残差外乱(非パラメトリック不確実性)への適応には正規データ損失が用いられるが、数学的モデリングでは考慮されない。
実験は、クワッドローターの軌道追跡のためのシミュレーション環境で行われる。
我々は,SOTA回帰に基づく2つのMPC法と比較して,0.5~1.75m/sの追跡誤差を7.8%から43.2%,8.04%から61.5%削減した。
関連論文リスト
- Physics-Informed Deep Learning of Rate-and-State Fault Friction [0.0]
我々は, 前方問題と非線形欠陥摩擦パラメータの直接逆変換のためのマルチネットワークPINNを開発した。
本稿では1次元および2次元のストライク・スリップ断層に対する速度・状態摩擦を考慮した計算PINNフレームワークを提案する。
その結果, 断層におけるパラメータ逆転のネットワークは, 結合した物質変位のネットワークよりもはるかに優れていることがわかった。
論文 参考訳(メタデータ) (2023-12-14T23:53:25Z) - Physics-Informed Neural Network for Discovering Systems with
Unmeasurable States with Application to Lithium-Ion Batteries [6.375364752891239]
本稿では,損失項の少ないPINNをトレーニングするためのロバストな手法を導入し,最適化のためのより複雑なランドスケープを構築する。
各微分方程式から損失項を持つ代わりに、この方法は力学を損失関数に埋め込み、観測されたシステム出力と予測されたシステム出力の間の誤差を定量化する。
これは、既知のダイナミクスを使用してニューラルネットワーク(NN)から予測された状態を数値的に統合し、予測された出力のシーケンスを取得することで達成される。
論文 参考訳(メタデータ) (2023-11-27T23:35:40Z) - Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。
大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
論文 参考訳(メタデータ) (2023-10-09T14:30:06Z) - 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) - Physics Informed Neural Networks for Phase Locked Loop Transient
Stability Assessment [0.0]
相ロックループ(PLL)のような電力電子制御器を用いて、グリッドとグリッドの同期性を維持することで、グリッドの故障時に高速な過渡的な動作を引き起こす。
本稿では,少ないラベル付きトレーニングデータを用いて,故障時のコントローラの過渡的ダイナミクスを正確に予測するニューラルネットワークアルゴリズムを提案する。
このアルゴリズムの性能は、CIGREベンチマークモデルC4.49のPSCADにおけるROMとEMTシミュレーションと比較され、グリッドインピーダンスの異なるコントローラの軌道とROAを正確に近似する能力を示している。
論文 参考訳(メタデータ) (2023-03-21T18:09:20Z) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳(メタデータ) (2023-02-20T19:36:52Z) - Physics-Informed Neural Networks for Material Model Calibration from
Full-Field Displacement Data [0.0]
本研究では,実環境下でのフルフィールド変位と大域力データからモデルのキャリブレーションを行うためのPINNを提案する。
拡張PINNは、実験的な1次元データと合成フルフィールド変位データの両方から材料パラメータを識別できることを実証した。
論文 参考訳(メタデータ) (2022-12-15T11:01:32Z) - Truncated tensor Schatten p-norm based approach for spatiotemporal
traffic data imputation with complicated missing patterns [77.34726150561087]
本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。
本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
論文 参考訳(メタデータ) (2022-05-19T08:37:56Z) - Simultaneous boundary shape estimation and velocity field de-noising in
Magnetic Resonance Velocimetry using Physics-informed Neural Networks [70.7321040534471]
MRV(MR resonance velocimetry)は、流体の速度場を測定するために医療や工学で広く用いられている非侵襲的な技術である。
これまでの研究では、境界(例えば血管)の形状が先駆体として知られていた。
我々は、ノイズの多いMRVデータのみを用いて、最も可能性の高い境界形状と減音速度場を推定する物理インフォームニューラルネットワークを提案する。
論文 参考訳(メタデータ) (2021-07-16T12:56:09Z) - Inverse-Dirichlet Weighting Enables Reliable Training of Physics
Informed Neural Networks [2.580765958706854]
我々は、深層ニューラルネットワークのトレーニング中に、スケール不均衡を伴うマルチスケールダイナミクスから生じる障害モードを記述し、治療する。
PINNは、物理方程式モデルとデータとのシームレスな統合を可能にする、一般的な機械学習テンプレートである。
逐次トレーニングを用いた逆モデリングでは,逆ディリクレ重み付けがPINNを破滅的忘れから保護することがわかった。
論文 参考訳(メタデータ) (2021-07-02T10:01:37Z) - Dynamic R-CNN: Towards High Quality Object Detection via Dynamic
Training [70.2914594796002]
ラベル割り当て基準と回帰損失関数の形状を調整するための動的R-CNNを提案する。
我々はResNet-50-FPNベースラインを1.9%のAPと5.5%のAP$_90$で改善し、余分なオーバーヘッドを伴わない。
論文 参考訳(メタデータ) (2020-04-13T15:20:25Z)
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。