論文の概要: Closed-loop Diffusion Control of Complex Physical Systems
- arxiv url: http://arxiv.org/abs/2408.03124v2
- Date: Wed, 02 Oct 2024 13:45:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-03 15:16:28.148782
- Title: Closed-loop Diffusion Control of Complex Physical Systems
- Title(参考訳): 複雑系の閉ループ拡散制御
- Authors: Long Wei, Haodong Feng, Yuchen Yang, Ruiqi Feng, Peiyan Hu, Xiang Zheng, Tao Zhang, Dixia Fan, Tailin Wu,
- Abstract要約: 物理系制御のための効率的な閉ループ拡散法(CL-DiffPhyCon)を提案する。
CL-DiffPhyConは、異なる物理時間ステップに非同期なdenoisingフレームワークを使用することで、環境からリアルタイムでフィードバックされた制御信号を生成する。
CL-DiffPhyConを1次元バーガースの方程式制御と2次元非圧縮性流体制御の2つのタスクで評価した。
- 参考スコア(独自算出の注目度): 10.167080282182972
- License:
- Abstract: The control problems of complex physical systems have broad applications in science and engineering. Previous studies have shown that generative control methods based on diffusion models offer significant advantages for solving these problems. However, existing generative control approaches face challenges in both performance and efficiency when extended to the closed-loop setting, which is essential for effective control. In this paper, we propose an efficient Closed-Loop Diffusion method for Physical systems Control (CL-DiffPhyCon). By employing an asynchronous denoising framework for different physical time steps, CL-DiffPhyCon generates control signals conditioned on real-time feedback from the environment with significantly reduced computational cost during sampling. Additionally, the control process could be further accelerated by incorporating fast sampling techniques, such as DDIM. We evaluate CL-DiffPhyCon on two tasks: 1D Burgers' equation control and 2D incompressible fluid control. The results demonstrate that CL-DiffPhyCon achieves superior control performance with significant improvements in sampling efficiency.
- Abstract(参考訳): 複雑な物理系の制御問題は、科学と工学に幅広い応用がある。
従来の研究では、拡散モデルに基づく生成的制御手法がこれらの問題を解決する上で大きな利点をもたらすことが示されている。
しかし、既存の生成制御手法は、効率的な制御に不可欠な閉ループ設定に拡張した場合、性能と効率の両面で課題に直面している。
本稿では,物理系制御(CL-DiffPhyCon)のための効率的な閉ループ拡散法を提案する。
CL-DiffPhyConは、異なる物理時間ステップに非同期なdenoisingフレームワークを用いることで、サンプリング時に計算コストを大幅に削減した環境からリアルタイムフィードバックに条件付けられた制御信号を生成する。
さらに、DDIMのような高速サンプリング技術を導入することで、制御プロセスをさらに加速することができる。
CL-DiffPhyConを1次元バーガースの方程式制御と2次元非圧縮性流体制御の2つのタスクで評価した。
その結果,CL-DiffPhyConはサンプリング効率が大幅に向上し,優れた制御性能が得られた。
関連論文リスト
- A Generative Approach to Control Complex Physical Systems [16.733151963652244]
本稿では,物理系制御問題に対処する新しい手法である拡散物理系制御(DiffPhyCon)を紹介する。
DiffPhyConは学習した生成エネルギー関数と予め定義された制御目的の両方を同時に最小化する。
本手法を流体環境下での1D Burgers方程式と2Dクラゲ運動制御で検証した。
論文 参考訳(メタデータ) (2024-07-09T01:56:23Z) - Iterative Learning Control of Fast, Nonlinear, Oscillatory Dynamics (Preprint) [0.0]
非線形でカオス的で、しばしばアクティブな制御方式では速すぎる。
そこで我々は,反復的,軌道最適化,パラメータ調整による代替能動制御システムを開発した。
特定の要件を満たす限り、コントローラは情報不足や制御不能なパラメータに対して堅牢であることを示す。
論文 参考訳(メタデータ) (2024-05-30T13:27:17Z) - Growing Q-Networks: Solving Continuous Control Tasks with Adaptive Control Resolution [51.83951489847344]
ロボット工学の応用において、スムーズな制御信号はシステム摩耗とエネルギー効率を減らすために一般的に好まれる。
本研究では,離散的な動作空間を粗い状態から細かい制御分解能まで拡大することにより,この性能ギャップを埋めることを目的とする。
我々の研究は、値分解とアダプティブ・コントロール・リゾリューションが組み合わさることで、単純な批判のみのアルゴリズムが得られ、連続制御タスクにおいて驚くほど高い性能が得られることを示唆している。
論文 参考訳(メタデータ) (2024-04-05T17:58:37Z) - Safe Neural Control for Non-Affine Control Systems with Differentiable
Control Barrier Functions [58.19198103790931]
本稿では,非アフィン制御系における安全クリティカル制御の問題に対処する。
制御バリア関数(CBF)を用いて,状態制約と制御制約の2次コストの最適化を2次プログラムのシーケンス(QP)にサブ最適化できることが示されている。
我々は,高次CBFをニューラル常微分方程式に基づく学習モデルに差分CBFとして組み込んで,非アフィン制御系の安全性を保証する。
論文 参考訳(メタデータ) (2023-09-06T05:35:48Z) - Distributed Robust Learning-Based Backstepping Control Aided with
Neurodynamics for Consensus Formation Tracking of Underwater Vessels [14.660236097277638]
本稿では,複数の水中船のコンセンサス生成追跡のための分散ロバスト学習に基づく制御について述べる。
海洋船舶のシステムパラメータは完全に未知であり、モデリングミスマッチ、海洋障害、騒音にさらされていると推定されている。
論文 参考訳(メタデータ) (2023-08-18T05:45:13Z) - Spectrum Breathing: Protecting Over-the-Air Federated Learning Against
Interference [101.9031141868695]
モバイルネットワークは、近隣のセルやジャマーからの干渉によって損なわれる可能性がある。
本稿では,帯域幅拡大を伴わない干渉を抑制するために,カスケード段階のプルーニングとスペクトル拡散を行うスペクトルブリーチングを提案する。
呼吸深度によって制御された勾配プルーニングと干渉誘発誤差の間には,性能的トレードオフが認められた。
論文 参考訳(メタデータ) (2023-05-10T07:05:43Z) - Temporally Layered Architecture for Adaptive, Distributed and Continuous
Control [2.1700103865910503]
本稿では,時間適応型分散制御システムTLAについて述べる。
TLAは、テンポラリな抽象化を実現するために、高速で遅いコントローラを階層化し、各レイヤが異なる時間スケールに集中できるようにします。
私たちのデザインは生物学的にインスパイアされ、環境の要求に応じて異なる時間スケールで行動を実行する人間の脳のアーキテクチャに基づいています。
論文 参考訳(メタデータ) (2022-12-25T08:46:22Z) - Comparative analysis of machine learning methods for active flow control [60.53767050487434]
遺伝的プログラミング(GP)と強化学習(RL)はフロー制御において人気を集めている。
この研究は2つの比較分析を行い、地球規模の最適化手法に対して最も代表的なアルゴリズムのいくつかをベンチマークする。
論文 参考訳(メタデータ) (2022-02-23T18:11:19Z) - Steady-State Error Compensation in Reference Tracking and Disturbance
Rejection Problems for Reinforcement Learning-Based Control [0.9023847175654602]
強化学習(Reinforcement Learning, RL)は、自動制御アプリケーションにおける将来的なトピックである。
アクター批判に基づくRLコントローラのためのイニシアティブアクション状態拡張(IASA)が導入される。
この拡張は専門家の知識を必要とせず、アプローチモデルを無償にしておく。
論文 参考訳(メタデータ) (2022-01-31T16:29:19Z) - Deep Reinforcement Learning for Wireless Scheduling in Distributed Networked Control [37.10638636086814]
完全分散無線制御システム(WNCS)の周波数チャネル数に制限のある結合アップリンクとダウンリンクのスケジューリング問題を考える。
深層強化学習(DRL)に基づくフレームワークを開発した。
DRLにおける大きなアクション空間の課題に対処するために,新しいアクション空間削減法とアクション埋め込み法を提案する。
論文 参考訳(メタデータ) (2021-09-26T11:27:12Z) - Stable Online Control of Linear Time-Varying Systems [49.41696101740271]
COCO-LQは、大規模なLTVシステムの入出力安定性を保証する効率的なオンライン制御アルゴリズムである。
COCO-LQの性能を実証実験とパワーシステム周波数制御の両例で実証した。
論文 参考訳(メタデータ) (2021-04-29T06:18:49Z)
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。