論文の概要: A strictly predefined-time convergent and anti-noise fractional-order zeroing neural network for solving time-variant quadratic programming in kinematic robot control

• arxiv url: http://arxiv.org/abs/2503.01857v1
• Date: Sat, 22 Feb 2025 17:29:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-09 03:50:39.222993
• Title: A strictly predefined-time convergent and anti-noise fractional-order zeroing neural network for solving time-variant quadratic programming in kinematic robot control
• Title（参考訳）: 運動ロボット制御における時間変動二次計画解法のための厳密な事前定義された時間収束と反雑音分数次ゼロ化ニューラルネットワーク
• Authors: Yi Yang, Xiao Li, Xuchen Wang, Mei Liu, Junwei Yin, Weibing Li, Richard M. Voyles, Xin Ma,
• Abstract要約: 本稿では,SPTC-AN-FOZNNモデルを提案する。 SPTC-AN-FOZNNはロボットの運動制御に特化している。
• 参考スコア（独自算出の注目度）: 28.55319030714357
• License:
• Abstract: This paper proposes a strictly predefined-time convergent and anti-noise fractional-order zeroing neural network (SPTC-AN-FOZNN) model, meticulously designed for addressing time-variant quadratic programming (TVQP) problems. This model marks the first variable-gain ZNN to collectively manifest strictly predefined-time convergence and noise resilience, specifically tailored for kinematic motion control of robots. The SPTC-AN-FOZNN advances traditional ZNNs by incorporating a conformable fractional derivative in accordance with the Leibniz rule, a compliance not commonly achieved by other fractional derivative definitions. It also features a novel activation function designed to ensure favorable convergence independent of the model's order. When compared to five recently published recurrent neural networks (RNNs), the SPTC-AN-FOZNN, configured with $0<\alpha\leq 1$, exhibits superior positional accuracy and robustness against additive noises for TVQP applications. Extensive empirical evaluations, including simulations with two types of robotic manipulators and experiments with a Flexiv Rizon robot, have validated the SPTC-AN-FOZNN's effectiveness in precise tracking and computational efficiency, establishing its utility for robust kinematic control.
• Abstract（参考訳）: 本稿では,時間変動2次プログラミング(TVQP)問題に注意深い対処を目的とした,厳密な事前定義された時間収束および反雑音分数次ゼロリングニューラルネットワーク(SPTC-AN-FOZNN)モデルを提案する。 このモデルは、ロボットの運動制御に特化して、厳密に定義された時間収束と雑音耐性を示す最初の可変ゲインZNNである。 SPTC-AN-FOZNNは、他の分数微分定義によって一般的に達成されないコンプライアンスであるライプニッツ則に従って、適合可能な分数微分を組み込むことで、伝統的なZNNを前進させる。 また、モデルの順序に依存しない良好な収束を保証するために設計された、新しいアクティベーション関数も備えている。 最近発表された5つのリカレントニューラルネットワーク(RNN)と比較して、$0<\alpha\leq 1$で構成されたSPTC-AN-FOZNNは、TVQPアプリケーションに対して優れた位置精度とロバスト性を示す。 2種類のロボットマニピュレータによるシミュレーションや、フレキシブ・リゾン・ロボットによる実験を含む広範な実験的な評価は、SPTC-AN-FOZNNが正確なトラッキングと計算効率において有効であることを検証し、堅牢なキネマティック制御のための有用性を確立した。

関連論文リスト

• A Predefined-Time Convergent and Noise-Tolerant Zeroing Neural Network Model for Time Variant Quadratic Programming With Application to Robot Motion Planning [20.634160322702886]
  本稿では,PTC-NT-FOZNN(PTC-NT-FOZNN)モデルについて述べる。 PTC-NT-FOZNNは、FOZNNとして知られる可変利得ZNNスペクトルの新たなイテレーションから派生したもので、時間とともに利得が減少し、事前定義された時間収束を伴う耐雑音性を結婚する。 PTC-NT-FOZNNは6つの確立されたZNNに対して評価すると,0αleq 1$のパラメータを持つため,付加雑音に対する位置精度とレジリエンスが向上した。
  論文  参考訳（メタデータ） (2024-12-29T14:30:11Z)
• Designing DNNs for a trade-off between robustness and processing performance in embedded devices [1.474723404975345]
  機械学習ベースの組み込みシステムは、ソフトエラーに対して堅牢である必要がある。 本稿では,摂動に対するモデルロバスト性を改善するために有界AFを用いた場合の適合性について検討する。 自律運転におけるシーン理解のためのハイパースペクトル画像のセマンティックセグメンテーションタスクの実行を目的としたエンコーダ・デコーダの完全畳み込みモデルの解析を行う。
  論文  参考訳（メタデータ） (2024-12-04T19:34:33Z)
• Scalable Mechanistic Neural Networks [52.28945097811129]
  長い時間的シーケンスを含む科学機械学習応用のための拡張ニューラルネットワークフレームワークを提案する。 元のメカニスティックニューラルネットワーク (MNN) を再構成することにより、計算時間と空間の複雑さを、それぞれ、列長に関して立方体と二次体から線形へと減少させる。 大規模な実験により、S-MNNは元のMNNと精度で一致し、計算資源を大幅に削減した。
  論文  参考訳（メタデータ） (2024-10-08T14:27:28Z)
• Direct Training Needs Regularisation: Anytime Optimal Inference Spiking Neural Network [23.434563009813218]
  スパイキングニューラルネットワーク(SNN)は,次世代のニューラルネットワーク(ANN)として認識される 空間時間正規化(STR)と呼ばれる新しい正規化手法を導入する。 STRは各段階におけるスパイクの強さと膜電位の比を調節する。 これは、トレーニング中の空間的および時間的パフォーマンスを効果的にバランスさせ、最終的にはAnytime Optimal Inference (AOI) SNNとなる。
  論文  参考訳（メタデータ） (2024-04-15T15:57:01Z)
• Auto-Train-Once: Controller Network Guided Automatic Network Pruning from Scratch [72.26822499434446]
  オートトレインオース (Auto-Train-Once, ATO) は、DNNの計算コストと記憶コストを自動的に削減するために設計された、革新的なネットワークプルーニングアルゴリズムである。 総合的な収束解析と広範な実験を行い,本手法が様々なモデルアーキテクチャにおける最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2024-03-21T02:33:37Z)
• Automotive Object Detection via Learning Sparse Events by Spiking Neurons [20.930277906912394]
  スパイキングニューラルネットワーク(SNN)は、本質的にイベントベースのデータと整合した時間的表現を提供する。 自動車のイベントベース物体検出に最適化された特化スパイキング特徴ピラミッドネットワーク(SpikeFPN)を提案する。
  論文  参考訳（メタデータ） (2023-07-24T15:47:21Z)
• Comparative Analysis of Interval Reachability for Robust Implicit and Feedforward Neural Networks [64.23331120621118]
  我々は、暗黙的ニューラルネットワーク(INN)の堅牢性を保証するために、区間到達可能性分析を用いる。 INNは暗黙の方程式をレイヤとして使用する暗黙の学習モデルのクラスである。 提案手法は, INNに最先端の区間境界伝搬法を適用するよりも, 少なくとも, 一般的には, 有効であることを示す。
  論文  参考訳（メタデータ） (2022-04-01T03:31:27Z)
• Residual-Based Adaptive Coefficient and Noise-Immunity ZNN for Perturbed Time-Dependent Quadratic Minimization [6.735657356113612]
  時間依存二次問題(TDQM)は多くの応用や研究プロジェクトに見られる。 ゼロリングニューラルネットワーク(ZNN)モデルはTDQM問題を効果的に解くことができると報告されている。 本稿では,積分項付き残差係数ゼロリングニューラルネットワーク(RACZNN)モデルを提案する。
  論文  参考訳（メタデータ） (2021-12-03T08:10:24Z)
• Rate Distortion Characteristic Modeling for Neural Image Compression [59.25700168404325]
  エンドツーエンドの最適化機能は、ニューラルイメージ圧縮(NIC)の優れた損失圧縮性能を提供する。 異なるモデルは、R-D空間の異なる点に到達するために訓練される必要がある。 深層ネットワークと統計モデルを用いてNICのR-D挙動を記述するために,本質的な数学的関数の定式化に努めている。
  論文  参考訳（メタデータ） (2021-06-24T12:23:05Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• Liquid Time-constant Networks [117.57116214802504]
  本稿では,時間連続リカレントニューラルネットワークモデルについて紹介する。 暗黙の非線形性によって学習システムの力学を宣言する代わりに、線形一階力学系のネットワークを構築する。 これらのニューラルネットワークは安定かつ有界な振る舞いを示し、ニューラル常微分方程式の族の中で優れた表現性をもたらす。
  論文  参考訳（メタデータ） (2020-06-08T09:53:35Z)

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。