論文の概要: Optimal Path Planning and Cost Minimization for a Drone Delivery System Via Model Predictive Control

• arxiv url: http://arxiv.org/abs/2503.19699v1
• Date: Tue, 25 Mar 2025 14:27:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-26 16:54:22.815879
• Title: Optimal Path Planning and Cost Minimization for a Drone Delivery System Via Model Predictive Control
• Title（参考訳）: モデル予測制御によるドローン配送システムの最適経路計画とコスト最小化
• Authors: Muhammad Al-Zafar Khan, Jamal Al-Karaki,
• Abstract要約: ドローンの配送問題を制御問題として定式化し,モデル予測制御を用いて解決する。 その結果, MPC法では, コストを最小化し, 最適経路をナビゲートするために, より高速かつ少ない最適なドローン数で解決できることが判明した。
• 参考スコア（独自算出の注目度）: 0.276240219662896
• License:
• Abstract: In this study, we formulate the drone delivery problem as a control problem and solve it using Model Predictive Control. Two experiments are performed: The first is on a less challenging grid world environment with lower dimensionality, and the second is with a higher dimensionality and added complexity. The MPC method was benchmarked against three popular Multi-Agent Reinforcement Learning (MARL): Independent $Q$-Learning (IQL), Joint Action Learners (JAL), and Value-Decomposition Networks (VDN). It was shown that the MPC method solved the problem quicker and required fewer optimal numbers of drones to achieve a minimized cost and navigate the optimal path.
• Abstract（参考訳）: 本研究では,ドローンの配送問題を制御問題として定式化し,モデル予測制御を用いて解決する。 2つの実験が実施されている: 1つは、次元が低いより挑戦の少ないグリッドの世界環境、もう1つは次元がより高く、複雑さが増している環境である。 MPC法は、MARL(Multi-Agent Reinforcement Learning)、Independent $Q$-Learning (IQL)、Joint Action Learners (JAL)、Value-Decomposition Networks (VDN)の3つに対してベンチマークを行った。 その結果, MPC法では, コストを最小化し, 最適経路をナビゲートするために, より高速かつ少ない最適なドローン数で解決できることが判明した。

関連論文リスト

• Task Delay and Energy Consumption Minimization for Low-altitude MEC via Evolutionary Multi-objective Deep Reinforcement Learning [52.64813150003228]
  無人航空機や他の航空機による低高度経済(LAE)は、輸送、農業、環境監視といった分野に革命をもたらした。 今後の6世代(6G)時代において、UAV支援移動エッジコンピューティング(MEC)は特に山岳や災害に遭った地域のような困難な環境において重要である。 タスクオフロード問題は、主にタスク遅延の最小化とUAVのエネルギー消費のトレードオフに対処するUAV支援MECの重要な問題の一つである。
  論文  参考訳（メタデータ） (2025-01-11T02:32:42Z)
• Learning for Cross-Layer Resource Allocation in MEC-Aided Cell-Free Networks [71.30914500714262]
  移動エッジコンピューティング(MEC)を援用したセルフリーネットワーク上でのクロスレイヤリソース割り当ては、データレートを促進するために、送信およびコンピューティングリソースを十分に活用することができる。 深層学習の観点からMEC支援セルフリーネットワークのサブキャリア配置とビームフォーミング最適化について検討した。
  論文  参考訳（メタデータ） (2024-12-21T10:18:55Z)
• Goal-Conditioned Terminal Value Estimation for Real-time and Multi-task Model Predictive Control [1.2687745030755995]
  マルチタスクポリシー最適化を実現するために,目標条件付き端末値学習を用いたMPCフレームワークを開発した。 提案手法を2足歩行逆振りロボットモデルで評価し,目標条件付き終端値学習と上層軌道プランナーを組み合わせることで,リアルタイムに制御できることを確認する。
  論文  参考訳（メタデータ） (2024-10-07T11:19:23Z)
• Optimising Calls to Large Language Models with Uncertainty-Based Two-Tier Selection [80.63946798650653]
  決定は、より優れた性能を持つ大型LCMを使うか、より少ないコストで使用するかに重点を置いている。 我々は,LLMの世代間不確実性のみを意思決定基準として,より単純な解を提案する。 実験の結果、この単純な解はコストと性能を最適にバランスさせ、27の試験装置中25の既存手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-05-03T14:38:59Z)
• Robust, High-Rate Trajectory Tracking on Insect-Scale Soft-Actuated Aerial Robots with Deep-Learned Tube MPC [0.0]
  サブグラムMAV (0.7 グラム) であるMIT SoftFly 上でのアジャイルで効率的な軌道追跡手法を提案する。 我々の戦略は、適応型姿勢制御器と、軌跡追跡堅牢管モデル予測制御器(RTMPC)を模倣する訓練されたニューラルネットワークポリシーを組み合わせたカスケード制御方式を用いている。 我々は,本手法を実験的に評価し,より困難な操作でもルート平均角誤差を1.8cm以下に抑え,従来の作業に比べて最大位置誤差を60%低減し,大きな外乱に対する堅牢性を実証した。
  論文  参考訳（メタデータ） (2022-09-20T21:30:16Z)
• Evolutionary Multi-Objective Reinforcement Learning Based Trajectory Control and Task Offloading in UAV-Assisted Mobile Edge Computing [8.168647937560504]
  本稿では,無人航空機(UAV)を用いた移動体エッジコンピューティングシステムにおける軌道制御とタスクオフロード(TCTO)問題について検討する。 進化的多目的RL(EMORL)、多目的RLをTCTO問題に適用する。
  論文  参考訳（メタデータ） (2022-02-24T11:17:30Z)
• Policy Search for Model Predictive Control with Application to Agile Drone Flight [56.24908013905407]
  MPCのためのポリシ・フォー・モデル・予測制御フレームワークを提案する。 具体的には、パラメータ化コントローラとしてMPCを定式化し、パラメータ化の難しい決定変数を高レベルポリシーとして表現する。 シミュレーションと実環境の両方において,我々の制御器が堅牢かつリアルタイムに制御性能を発揮することを示す実験を行った。
  論文  参考訳（メタデータ） (2021-12-07T17:39:24Z)
• 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)
• Vision-Based Autonomous Drone Control using Supervised Learning in Simulation [0.0]
  室内環境におけるMAVの自律的ナビゲーションと着陸にSupervised Learningを用いた視覚に基づく制御手法を提案する。 我々は、低解像度画像とセンサー入力を高レベル制御コマンドにマッピングする畳み込みニューラルネットワーク(CNN)を訓練した。 我々のアプローチは、類似の強化学習アプローチよりも短いトレーニング時間を必要としており、匹敵するSupervised Learningアプローチが直面する手動データ収集の限界を克服する可能性がある。
  論文  参考訳（メタデータ） (2020-09-09T13:45:41Z)
• An Online Method for A Class of Distributionally Robust Optimization with Non-Convex Objectives [54.29001037565384]
  本稿では,オンライン分散ロバスト最適化(DRO)のクラスを解決するための実用的なオンライン手法を提案する。 本研究は,ネットワークの堅牢性向上のための機械学習における重要な応用を実証する。
  論文  参考訳（メタデータ） (2020-06-17T20:19:25Z)

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。