論文の概要: Filter-Aware Model-Predictive Control
- arxiv url: http://arxiv.org/abs/2304.10246v1
- Date: Thu, 20 Apr 2023 12:06:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-21 13:44:08.449204
- Title: Filter-Aware Model-Predictive Control
- Title(参考訳): フィルタアウェアモデル予測制御
- Authors: Baris Kayalibay, Atanas Mirchev, Ahmed Agha, Patrick van der Smagt,
Justin Bayer
- Abstract要約: 我々は、信念空間の計画と、その将来的正確性についてのみ推論することで、その力学を無視する中間点を見出した。
我々のアプローチであるフィルタ対応MPCは、状態推定器の予測誤差である「追跡可能性」によって情報の損失を補う。
視覚ナビゲーション、現実的な日常環境、および2リンクロボットアームを含む実験において、フィルタ対応のMPCが通常のMPCを大幅に改善することを示す。
- 参考スコア(独自算出の注目度): 16.200900051248887
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Partially-observable problems pose a trade-off between reducing costs and
gathering information. They can be solved optimally by planning in belief
space, but that is often prohibitively expensive. Model-predictive control
(MPC) takes the alternative approach of using a state estimator to form a
belief over the state, and then plan in state space. This ignores potential
future observations during planning and, as a result, cannot actively increase
or preserve the certainty of its own state estimate. We find a middle-ground
between planning in belief space and completely ignoring its dynamics by only
reasoning about its future accuracy. Our approach, filter-aware MPC, penalises
the loss of information by what we call "trackability", the expected error of
the state estimator. We show that model-based simulation allows condensing
trackability into a neural network, which allows fast planning. In experiments
involving visual navigation, realistic every-day environments and a two-link
robot arm, we show that filter-aware MPC vastly improves regular MPC.
- Abstract(参考訳): 部分的に観測可能な問題は、コスト削減と情報収集のトレードオフを引き起こす。
それらは信念空間を計画することで最適に解決できるが、しばしば高額である。
モデル予測制御(MPC)は、状態推定器を使用して状態に対する信念を形成し、状態空間を計画する代替アプローチを取る。
これは計画中の将来の観測を無視し、その結果、自分たちの状態推定の確実性を積極的に増加または維持することができない。
信念空間の計画と、その将来的正確性についてのみ推論することで、そのダイナミクスを完全に無視する中間点を見出す。
我々のアプローチであるフィルタ対応MPCは、状態推定器の予測誤差である「追跡可能性」によって情報の損失を補う。
モデルに基づくシミュレーションは、追跡性をニューラルネットワークに凝縮し、高速な計画を可能にすることを示す。
視覚ナビゲーション,日々の現実的な環境,および2リンクロボットアームを含む実験において,フィルタアウェアmpcが通常のmpcを大幅に改善することを示す。
関連論文リスト
- Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
運動プランナー(MP)は複雑な都市環境における安全なナビゲーションに不可欠である。
最近リリースされたMPベンチマークであるnuPlanは、クローズドループシミュレーションロジックで現実世界の駆動ログを拡張することで、この制限に対処している。
本稿では,モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverを提案する。
論文 参考訳(メタデータ) (2024-06-15T18:53:45Z) - Model Checking for Closed-Loop Robot Reactive Planning [0.0]
モデル検査を用いて、ディファレンシャルドライブホイールロボットの多段階計画を作成することにより、即時危険を回避できることを示す。
簡単な生物エージェントのエゴセントリックな反応を反映した,小型で汎用的なモデル検査アルゴリズムを用いて,リアルタイムで計画を生成する。
論文 参考訳(メタデータ) (2023-11-16T11:02:29Z) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳(メタデータ) (2023-08-02T23:39:24Z) - CAR-DESPOT: Causally-Informed Online POMDP Planning for Robots in
Confounded Environments [5.979296454783688]
正確で堅牢な行動予測を行う上での大きな課題は、コンファウンディングの問題である。
部分的に観測可能なマルコフ決定プロセス(POMDP)は、これらと部分的に観測可能な意思決定問題をモデル化するための広く使われているフレームワークである。
本稿では,不測な共同設立変数による誤りを解消するために,「常時正規化決定された部分観測木」(AR-DESPOT)の因果的インフォームド拡張を提案する。
論文 参考訳(メタデータ) (2023-04-13T22:32:21Z) - PRISM: Probabilistic Real-Time Inference in Spatial World Models [52.878769723544615]
PRISMはエージェントの動きと視覚知覚の確率的生成モデルにおけるリアルタイムフィルタリングの手法である。
提案手法は10Hzでリアルタイムに動作し,小型・中型屋内環境における最先端SLAMと同等に精度が高い。
論文 参考訳(メタデータ) (2022-12-06T13:59:06Z) - Evaluating model-based planning and planner amortization for continuous
control [79.49319308600228]
我々は、モデル予測制御(MPC)と学習モデルとモデルフリーポリシー学習を組み合わせたハイブリッドアプローチを採っている。
モデルフリーエージェントは高いDoF制御問題においても強いベースラインであることがわかった。
モデルに基づくプランナを,パフォーマンスを損なうことなく,計画が損なわれるようなポリシーに置き換えることが可能であることを示す。
論文 参考訳(メタデータ) (2021-10-07T12:00:40Z) - Optimal Cost Design for Model Predictive Control [30.86835688868485]
多くのロボティクスドメインは、計画に非モデル制御(MPC)を使用し、時間的地平線を減らし、最適化を行い、各ステップで再計画を行う。
本研究では, MPC を用いて最適化するコストは, タスクの真理コスト(端末コスト)と同等である,という一般的な仮定に挑戦する。
連続型MDPにおけるMPC計画ロボットの最適コストを設計できるゼロ階トラジェクトリに基づくアプローチを提案する。
論文 参考訳(メタデータ) (2021-04-23T00:00:58Z) - Contingencies from Observations: Tractable Contingency Planning with
Learned Behavior Models [82.34305824719101]
人間は未来の出来事を正確に推論することで決定を下す素晴らしい能力を持っている。
本研究では,高次元のシーン観察からエンドツーエンドに学習する汎用コンテンシビリティプランナを開発する。
このモデルが行動観察から忍耐強くコンティンジェンシーを学習できることを示す。
論文 参考訳(メタデータ) (2021-04-21T14:30:20Z) - The Value of Planning for Infinite-Horizon Model Predictive Control [0.0]
現代のプランナーが使用する中間データ構造を近似値関数として解釈する方法を示す。
この値関数はMPCによって直接使用できることを示し、実行時により効率的で回復力のある振る舞いをもたらす。
論文 参考訳(メタデータ) (2021-04-07T02:21:55Z) - Blending MPC & Value Function Approximation for Efficient Reinforcement
Learning [42.429730406277315]
モデル予測制御(MPC)は、複雑な実世界のシステムを制御する強力なツールである。
モデルフリー強化学習(RL)によるMPC改善のためのフレームワークを提案する。
我々は,本手法がmpcに匹敵する性能と真のダイナミクスを両立できることを示す。
論文 参考訳(メタデータ) (2020-12-10T11:32:01Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳(メタデータ) (2020-07-28T07:34:30Z)
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。