論文の概要: Flight Validation of Learning-Based Trajectory Optimization for the Astrobee Free-Flyer

• arxiv url: http://arxiv.org/abs/2505.05588v1
• Date: Thu, 08 May 2025 18:42:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-12 20:40:10.046572
• Title: Flight Validation of Learning-Based Trajectory Optimization for the Astrobee Free-Flyer
• Title（参考訳）: アストローブフリーフライヤーの学習に基づく軌道最適化の飛行検証
• Authors: Somrita Banerjee, Abhishek Cauligi, Marco Pavone,
• Abstract要約: 国際宇宙ステーションのアストローブ自由飛行ロボットによる飛行実験の結果を報告する。 理論的解決の保証を保ちながら、機械学習が軌道上での軌道最適化をいかに加速するかを実証する。
• 参考スコア（独自算出の注目度）: 17.306347323545985
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although widely used in commercial and industrial robotics, trajectory optimization has seen limited use in space applications due to its high computational demands. In this work, we present flight results from experiments with the Astrobee free-flying robot on board the International Space Station (ISS), that demonstrate how machine learning can accelerate on-board trajectory optimization while preserving theoretical solver guarantees. To the best of the authors' knowledge, this is the first-ever demonstration of learning-based control on the ISS. Our approach leverages the GuSTO sequential convex programming framework and uses a neural network, trained offline, to map problem parameters to effective initial ``warm-start'' trajectories, paving the way for faster real-time optimization on resource-constrained space platforms.
• Abstract（参考訳）: 商業用や工業用ロボティクスで広く使われているが、軌道最適化は高い計算要求のために宇宙用途でしか使われていない。 本研究では,国際宇宙ステーション(ISS)のアストローブ自由飛行ロボットを用いて,理論的解決の保証を保ちながら,機械学習が軌道上での軌道最適化をいかに加速するかを示す飛行結果を示す。 著者の知る限りでは、これはISSにおける学習に基づく制御のデモンストレーションとしては初めてである。 このアプローチでは、GuSTOシーケンシャルな凸プログラミングフレームワークを活用し、ニューラルネットワークを使用して、トレーニングされたオフラインで、問題パラメータを '`warm-start'' 軌道にマッピングし、リソース制約のある宇宙プラットフォーム上で、より高速なリアルタイム最適化を実現する。

関連論文リスト

• DRL-based Dolph-Tschebyscheff Beamforming in Downlink Transmission for Mobile Users [52.9870460238443]
  学習可能なDolph-Tschebyscheffアンテナアレイを用いた深部強化学習に基づくブラインドビームフォーミング手法を提案する。 シミュレーションの結果,提案手法は最良値に非常に近いデータレートをサポートできることが示唆された。
  論文  参考訳（メタデータ） (2025-02-03T11:50:43Z)
• End-to-End Imitation Learning for Optimal Asteroid Proximity Operations [0.0]
  本稿ではニューラルネットワークを用いたエンドツーエンドのアルゴリズムを提案する。 ハイブリッドモデル予測制御(MPC)ガイド付き模倣学習コントローラは、従来のMPCコントローラよりも計算効率が向上する。
  論文  参考訳（メタデータ） (2025-02-03T04:09:20Z)
• Space for Improvement: Navigating the Design Space for Federated Learning in Satellite Constellations [0.8437187555622164]
  衛星コンステレーションの設計とハードウェア対応テストプラットフォームであるFLySTacKを用いて,既存のFLアルゴリズムの空間化手法を開発した。 我々はAutoFLSatを紹介した。これは空間に対する一般化された階層的な自律的FLアルゴリズムであり、主要な代替手段よりも12.5%から37.5%のモデルトレーニング時間を短縮する。
  論文  参考訳（メタデータ） (2024-10-31T23:49:36Z)
• Gaussian Splatting to Real World Flight Navigation Transfer with Liquid Networks [93.38375271826202]
  本研究では,シミュレート・トゥ・リアルな視覚四重項ナビゲーションタスクにおける分布シフトに対する一般化とロバスト性を改善する手法を提案する。 まず,擬似飛行力学とガウススプラッティングを統合してシミュレータを構築し,その後,液状ニューラルネットワークを用いてロバストなナビゲーションポリシーを訓練する。 このようにして、我々は3次元ガウススプラッティングラディアンス場レンダリング、専門家による実演訓練データのプログラミング、およびLiquid Networkのタスク理解能力の進歩を組み合わせたフルスタックの模倣学習プロトコルを得る。
  論文  参考訳（メタデータ） (2024-06-21T13:48:37Z)
• Partial End-to-end Reinforcement Learning for Robustness Against Modelling Error in Autonomous Racing [0.0]
  本稿では、自動運転車における強化学習(RL)ソリューションの性能向上の問題に対処する。 計画タスクと制御タスクを分離する部分的なエンドツーエンドアルゴリズムを提案する。 従来の制御器のロバスト性を活用することにより,本アルゴリズムは標準のエンドツーエンドアルゴリズムよりもモデルミスマッチに対するロバスト性を向上する。
  論文  参考訳（メタデータ） (2023-12-11T14:27:10Z)
• Learning-Initialized Trajectory Planning in Unknown Environments [4.2960463890487555]
  未知の環境での自律飛行の計画には、空間軌道と時間軌道の両方を正確に計画する必要がある。 本稿ではニューラルdトラジェクトリ・プランナーを用いて最適化を導く新しい手法を提案する。 遅延計画に対する耐性を持って、堅牢なオンラインリプランニングをサポートするフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-19T15:07:26Z)
• Confidence-Controlled Exploration: Efficient Sparse-Reward Policy Learning for Robot Navigation [72.24964965882783]
  強化学習(RL)はロボットナビゲーションにおいて有望なアプローチであり、ロボットは試行錯誤を通じて学習することができる。 現実世界のロボットタスクは、しばしばまばらな報酬に悩まされ、非効率な探索と準最適政策に繋がる。 本稿では,RLに基づくロボットナビゲーションにおいて,報酬関数を変更せずにサンプル効率を向上させる新しい手法であるConfidence-Controlled Exploration (CCE)を紹介する。
  論文  参考訳（メタデータ） (2023-06-09T18:45:15Z)
• Optimality Principles in Spacecraft Neural Guidance and Control [16.59877059263942]
  我々は、エンドツーエンドの神経誘導と制御アーキテクチャ(以下、G&CNetと呼ばれる)は、最適な原則に従って行動することの重荷をオンボードで転送できると主張している。 このようにして、センサー情報はリアルタイムで最適な計画に変換され、ミッションの自律性と堅牢性が向上する。 本稿では、惑星間移動、着陸、近接操作のシミュレーションにおいて、そのようなニューラルネットワークのトレーニングにおいて得られた主な成果について論じる。
  論文  参考訳（メタデータ） (2023-05-22T14:48:58Z)
• FastRLAP: A System for Learning High-Speed Driving via Deep RL and Autonomous Practicing [71.76084256567599]
  本稿では、自律型小型RCカーを強化学習(RL)を用いた視覚的観察から積極的に駆動するシステムを提案する。 我々のシステムであるFastRLAP (faster lap)は、人間の介入なしに、シミュレーションや専門家によるデモンストレーションを必要とせず、現実世界で自律的に訓練する。 結果として得られたポリシーは、タイミングブレーキや回転の加速度などの突発的な運転スキルを示し、ロボットの動きを妨げる領域を避け、トレーニングの途中で同様の1対1のインタフェースを使用して人間のドライバーのパフォーマンスにアプローチする。
  論文  参考訳（メタデータ） (2023-04-19T17:33:47Z)
• Tackling Real-World Autonomous Driving using Deep Reinforcement Learning [63.3756530844707]
  本研究では,加速と操舵角度を予測するニューラルネットワークを学習するモデルレスディープ強化学習プランナを提案する。 実際の自動運転車にシステムをデプロイするために、我々は小さなニューラルネットワークで表されるモジュールも開発する。
  論文  参考訳（メタデータ） (2022-07-05T16:33:20Z)
• Gradient-Based Trajectory Optimization With Learned Dynamics [80.41791191022139]
  データからシステムの微分可能なダイナミクスモデルを学習するために、機械学習技術を使用します。 ニューラルネットワークは、大規模な時間的地平線に対して、非常に非線形な振る舞いを正確にモデル化できることが示される。 ハードウェア実験において、学習したモデルがSpotとRadio- controlled (RC)の両方の複雑な力学を表現できることを実証した。
  論文  参考訳（メタデータ） (2022-04-09T22:07:34Z)
• Bayesian Optimization and Deep Learning forsteering wheel angle prediction [58.720142291102135]
  本研究の目的は,自動走行システムにおける操舵角度予測の精度の高いモデルを得ることである。 BOは限られた試行数で、BOST-LSTMと呼ばれるモデルを特定し、古典的なエンドツーエンド駆動モデルと比較して最も正確な結果を得た。
  論文  参考訳（メタデータ） (2021-10-22T15:25:14Z)
• OSCAR: Data-Driven Operational Space Control for Adaptive and Robust Robot Manipulation [50.59541802645156]
  オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。 本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。 本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2021-10-02T01:21:38Z)
• Evolved neuromorphic radar-based altitude controller for an autonomous open-source blimp [4.350434044677268]
  本稿では,ロボット飛行船のためのSNNに基づく高度制御器を提案する。 また、SNNベースのコントローラアーキテクチャ、シミュレーション環境でネットワークをトレーニングするための進化的フレームワーク、現実とのギャップを改善するための制御戦略も提示する。
  論文  参考訳（メタデータ） (2021-10-01T20:48:43Z)
• Time-Optimal Planning for Quadrotor Waypoint Flight [50.016821506107455]
  立方体の作動限界における時間-最適軌道の計画は未解決の問題である。 四重項のアクチュエータポテンシャルをフル活用する解を提案する。 我々は、世界最大規模のモーションキャプチャーシステムにおいて、実世界の飛行における我々の方法を検証する。
  論文  参考訳（メタデータ） (2021-08-10T09:26:43Z)
• SABER: Data-Driven Motion Planner for Autonomously Navigating Heterogeneous Robots [112.2491765424719]
  我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。 モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。 リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。 ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
  論文  参考訳（メタデータ） (2021-08-03T02:56:21Z)
• DikpolaSat Mission: Improvement of Space Flight Performance and Optimal Control Using Trained Deep Neural Network -- Trajectory Controller for Space Objects Collision Avoidance [0.0]
  本稿では,宇宙船を所望の経路に追従させることにより,制御器の実証を行う方法について述べる。 障害回避アルゴリズムは、ニューラルネットワークからの入力を使用して自然に応答する制御機能に組み込まれる。 飛行制御と燃料消費を最適化するための複数のアルゴリズムは、軌道の飛行力学の知識を用いて実装することができる。
  論文  参考訳（メタデータ） (2021-05-30T23:35:13Z)
• Reinforcement Learning for Low-Thrust Trajectory Design of Interplanetary Missions [77.34726150561087]
  本稿では, 惑星間軌道のロバスト設計における強化学習の適用について検討する。 最先端アルゴリズムのオープンソース実装が採用されている。 その結果得られた誘導制御ネットワークは、堅牢な名目的軌道と関連する閉ループ誘導法の両方を提供する。
  論文  参考訳（メタデータ） (2020-08-19T15:22:15Z)
• First Steps: Latent-Space Control with Semantic Constraints for Quadruped Locomotion [73.37945453998134]
  従来の四重化制御のアプローチでは、単純化された手作りのモデルが採用されている。 これにより、有効な運動範囲が縮小されているため、ロボットの能力が大幅に低下する。 この研究において、これらの課題は、構造化潜在空間における最適化として四重化制御をフレーミングすることによって解決される。 深い生成モデルは、実現可能な関節構成の統計的表現を捉え、一方、複雑な動的および終端的制約は高レベルな意味的指標によって表現される。 実世界とシミュレーションの両方で最適化された移動軌跡の実現可能性を検証する。
  論文  参考訳（メタデータ） (2020-07-03T07:04:18Z)
• Real-Time Optimal Guidance and Control for Interplanetary Transfers Using Deep Networks [10.191757341020216]
  最適な例の模倣学習は、ネットワークトレーニングパラダイムとして使用される。 G&CNETは、宇宙船の最適誘導制御システムの実装をオンボードでリアルタイムに行うのに適している。
  論文  参考訳（メタデータ） (2020-02-20T23:37:43Z)

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。