論文の概要: ASV Station Keeping under Wind Disturbances using Neural Network
Simulation Error Minimization Model Predictive Control
- arxiv url: http://arxiv.org/abs/2310.07892v1
- Date: Wed, 11 Oct 2023 20:55:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-15 11:29:59.450295
- Title: ASV Station Keeping under Wind Disturbances using Neural Network
Simulation Error Minimization Model Predictive Control
- Title（参考訳）: ニューラルネットワークシミュレーション誤差最小化モデル予測制御による風乱下のasvステーション維持
- Authors: Jalil Chavez-Galaviz, Jianwen Li, Ajinkya Chaudhary, and Nina
Mahmoudian
- Abstract要約: 本研究では,ニューラルネットワークシミュレーション誤差最小化(NNSEM-MPC)を用いたモデル予測制御器を提案する。
実行速度の面では、提案されたNSEM-MPCは、他のMPCコントローラよりも少なくとも36%高速である。
- 参考スコア（独自算出の注目度）: 5.039813366558306
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Station keeping is an essential maneuver for Autonomous Surface Vehicles
(ASVs), mainly when used in confined spaces, to carry out surveys that require
the ASV to keep its position or in collaboration with other vehicles where the
relative position has an impact over the mission. However, this maneuver can
become challenging for classic feedback controllers due to the need for an
accurate model of the ASV dynamics and the environmental disturbances. This
work proposes a Model Predictive Controller using Neural Network Simulation
Error Minimization (NNSEM-MPC) to accurately predict the dynamics of the ASV
under wind disturbances. The performance of the proposed scheme under wind
disturbances is tested and compared against other controllers in simulation,
using the Robotics Operating System (ROS) and the multipurpose simulation
environment Gazebo. A set of six tests were conducted by combining two wind
speeds (3 m/s and 6 m/s) and three wind directions (0$^\circ$, 90$^\circ$, and
180$^\circ$). The simulation results clearly show the advantage of the
NNSEM-MPC over the following methods: backstepping controller, sliding mode
controller, simplified dynamics MPC (SD-MPC), neural ordinary differential
equation MPC (NODE-MPC), and knowledge-based NODE MPC (KNODE-MPC). The proposed
NNSEM-MPC approach performs better than the rest in 4 out of the 6 test
conditions, and it is the second best in the 2 remaining test cases, reducing
the mean position and heading error by at least 31\% and 46\% respectively
across all the test cases. In terms of execution speed, the proposed NNSEM-MPC
is at least 36\% faster than the rest of the MPC controllers. The field
experiments on two different ASV platforms showed that ASVs can effectively
keep the station utilizing the proposed method, with a position error as low as
$1.68$ m and a heading error as low as $6.14^{\circ}$ within time windows of at
least $150$s.
- Abstract（参考訳）: ステーションキーピングは、主に制限されたスペースで使用される場合、相対的な位置がミッションに影響を及ぼす他の車両との協力や位置を維持することを要求する調査を行うために、自律表面車両(ASV)にとって不可欠な操作である。
しかし、ASVダイナミクスの正確なモデルや環境障害が必要なため、古典的なフィードバックコントローラではこの操作が困難になる可能性がある。
本研究では,ニューラルネットワークシミュレーション誤差最小化(NNSEM-MPC)を用いたモデル予測制御器を提案する。
風乱下における提案手法の性能を,ロボット・オペレーティング・システム(ROS)と多目的シミュレーション環境であるガゼボを用いて,シミュレーションにおいて他のコントローラと比較した。
2つの風速(3m/sと6m/s)と3つの風向(0$^\circ$、90$^\circ$、180$^\circ$)を組み合わせた6つの試験を行った。
シミュレーションの結果, バックステッピング制御器, スライディングモード制御器, 単純化力学 MPC (SD-MPC), ニューラル常微分方程式 MPC (NODE-MPC), 知識ベース NODE MPC (KNODE-MPC) に対して, NNSEM-MPCの利点が明らかに示された。
提案するnnsem-mpcアプローチは,6つのテスト条件のうち4つで他より優れており,残りの2つのテストケースで2番目に優れており,各テストケースで平均位置と方向誤差が少なくとも31\%,方向誤差が46\%減少している。
実行速度に関しては、提案したNSEM-MPCは、他のMPCコントローラよりも少なくとも36倍高速である。
2つの異なるASVプラットフォームでのフィールド実験により、ASVは提案した手法を効果的に利用でき、位置誤差は1.68$m、方向誤差は6.14^{\circ}$は1150$sであることがわかった。
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) - Introducing a Deep Neural Network-based Model Predictive Control
Framework for Rapid Controller Implementation [41.38091115195305]
本研究は、HCCI燃焼制御のためのディープニューラルネットワーク(DNN)に基づく非線形MPCの実験的実装を示す。
ARM Cortex A72上のMPCのリアルタイム実装を可能にするために、Acadosソフトウェアパッケージを使用することで、最適化計算は1.4ms以内で完了する。
現像した制御器のIMEP軌道は, プロセス制約の観測に加えて, 根平均2乗誤差0.133バールで良好であった。
論文 参考訳（メタデータ） (2023-10-12T15:03:50Z) - MetaBEV: Solving Sensor Failures for BEV Detection and Map Segmentation [104.12419434114365]
現実世界のアプリケーションでは、センサの破損や故障がパフォーマンスの低下につながります。
極端に現実世界の環境に対処するための,MetaBEVと呼ばれる堅牢なフレームワークを提案する。
MetaBEVは、完全なモダリティと腐敗したモダリティの両方に大きなマージンで、先行技術よりも優れています。
論文 参考訳（メタデータ） (2023-04-19T16:37:17Z) - Learning a Single Near-hover Position Controller for Vastly Different
Quadcopters [56.37274861303324]
本稿では,クワッドコプターのための適応型ニアホバー位置制御器を提案する。
これは、非常に異なる質量、大きさ、運動定数を持つクワッドコプターに展開することができる。
また、実行中に未知の障害に迅速に適応する。
論文 参考訳（メタデータ） (2022-09-19T17:55:05Z) - Neural Moving Horizon Estimation for Robust Flight Control [6.023276947115864]
外乱の予測と反応は、四角形機の堅牢な飛行制御に不可欠である。
ニューラルネットワークによってモデル化されたMHEパラメータを自動的に調整できるニューロ移動地平線推定器(NeuroMHE)を提案する。
NeuroMHEは出力推定誤差を最大49.4%削減した最先端の推定器より優れている。
論文 参考訳（メタデータ） (2022-06-21T13:43:24Z) - Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds [96.74836678572582]
本稿では,ディープラーニングを通じて事前学習した表現を組み込むことで,オンラインでの迅速な適応を可能にする学習ベースのアプローチを提案する。
Neural-Flyは、最先端の非線形かつ適応的なコントローラよりもかなり少ないトラッキングエラーで正確な飛行制御を実現する。
論文 参考訳（メタデータ） (2022-05-13T21:55:28Z) - Nonprehensile Riemannian Motion Predictive Control [57.295751294224765]
本稿では,リアル・ツー・シムの報酬分析手法を導入し,リアルなロボット・プラットフォームに対する行動の可能性を確実に予測する。
連続的なアクション空間でオブジェクトを反応的にプッシュするクローズドループコントローラを作成します。
我々は,RMPCが乱雑な環境だけでなく,乱雑な環境においても頑健であり,ベースラインよりも優れていることを観察した。
論文 参考訳（メタデータ） (2021-11-15T18:50:04Z) - An Artificial Neural Network-Based Model Predictive Control for
Three-phase Flying Capacitor Multi-Level Inverter [2.3513645401551333]
モデル予測制御(MPC)は、単純な概念、高速な動的応答、優れた参照追跡のため、パワーエレクトロニクスで広く使われている。
最適なスイッチング状態を予測するためにシステムの数学的モデルに依存するため、パラメトリックな不確実性に悩まされる。
本稿では,ニューラルネットワーク(ANN)に基づくモデルフリー制御戦略を提案する。
論文 参考訳（メタデータ） (2021-10-15T13:54:08Z) - Empirical Models for Multidimensional Regression of Fission Systems [0.0]
我々は、中性子輸送の多次元回帰のための経験的モデルを開発するためのガイドラインを開発する。
精度と精度を評価すると、SVRがANNに追随し、最高の性能を発揮することが分かる。
論文 参考訳（メタデータ） (2021-05-30T22:53:39Z) - DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。
DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。
実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
論文 参考訳（メタデータ） (2021-04-30T15:30:05Z) - An Iterative LQR Controller for Off-Road and On-Road Vehicles using a
Neural Network Dynamics Model [13.363673186237284]
WarthogとPolaris GEMという2種類の車輪付き移動ロボットの軌道追跡のための反復線形擬似レギュレータ(ILQR)。
我々は多層ニューラルネットワークを用いて、ILQRコントローラで制御法則を計算するこれらのロボットの離散力学モデルを学習する。
論文 参考訳（メタデータ） (2020-07-28T21:20:01Z)
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。