論文の概要: Context-Aware Deep Lagrangian Networks for Model Predictive Control

• arxiv url: http://arxiv.org/abs/2506.15249v1
• Date: Wed, 18 Jun 2025 08:26:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 19:35:51.593545
• Title: Context-Aware Deep Lagrangian Networks for Model Predictive Control
• Title（参考訳）: モデル予測制御のための文脈対応深層ラグランジアンネットワーク
• Authors: Lucas Schulze, Jan Peters, Oleg Arenz,
• Abstract要約: 本研究では,DeLaNを拡張してコンテキスト認識し,オンラインシステム識別のための再帰的ネットワークと組み合わせ,適応的物理情報制御のためのMPCと統合する。 異なる負荷下での軌道追跡のための7-DOFロボットアームを用いて本手法の評価を行った。
• 参考スコア（独自算出の注目度）: 17.06619330822293
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Controlling a robot based on physics-informed dynamic models, such as deep Lagrangian networks (DeLaN), can improve the generalizability and interpretability of the resulting behavior. However, in complex environments, the number of objects to potentially interact with is vast, and their physical properties are often uncertain. This complexity makes it infeasible to employ a single global model. Therefore, we need to resort to online system identification of context-aware models that capture only the currently relevant aspects of the environment. While physical principles such as the conservation of energy may not hold across varying contexts, ensuring physical plausibility for any individual context-aware model can still be highly desirable, particularly when using it for receding horizon control methods such as Model Predictive Control (MPC). Hence, in this work, we extend DeLaN to make it context-aware, combine it with a recurrent network for online system identification, and integrate it with a MPC for adaptive, physics-informed control. We also combine DeLaN with a residual dynamics model to leverage the fact that a nominal model of the robot is typically available. We evaluate our method on a 7-DOF robot arm for trajectory tracking under varying loads. Our method reduces the end-effector tracking error by 39%, compared to a 21% improvement achieved by a baseline that uses an extended Kalman filter.
• Abstract（参考訳）: ディープラグランジアンネットワーク(DeLaN)のような物理インフォームド力学モデルに基づくロボットの制御は、結果として生じる振る舞いの一般化性と解釈性を改善することができる。 しかし、複雑な環境では、潜在的に相互作用する対象の数は膨大であり、その物理的性質はしばしば不確実である。 この複雑さは、単一のグローバルモデルを採用することを不可能にする。 したがって,現在関連する環境の側面のみを捉えた文脈認識モデルのオンラインシステム識別を利用する必要がある。 エネルギーの保存のような物理原理は、様々な文脈にまたがるものではないが、特にモデル予測制御(MPC)のような水平方向制御の後退にそれを使う場合、個々のコンテキスト認識モデルに対する物理的妥当性を保証することは、依然として非常に望ましい。 そこで本研究では,DeLaNを拡張してコンテキスト認識し,オンラインシステム識別のための再帰的ネットワークと組み合わせ,適応的・物理インフォームド制御のためのMPCと統合する。 また、DeLaNと残留力学モデルを組み合わせることで、ロボットの名目モデルが一般的に利用可能であるという事実を活用する。 異なる負荷下での軌道追跡のための7-DOFロボットアームを用いて本手法の評価を行った。 提案手法は,拡張Kalmanフィルタを用いたベースラインによる21%の改善に対して,エンドエフェクタ追跡誤差を39%削減する。

関連論文リスト

• Neural Internal Model Control: Learning a Robust Control Policy via Predictive Error Feedback [16.46487826869775]
  本稿では,モデルベース制御とRLベース制御を統合し,ロバスト性を高めるニューラル内部モデル制御を提案する。 我々のフレームワークは、剛体力学にニュートン・オイラー方程式を適用することで予測モデルを合理化し、複雑な高次元非線形性を捉える必要がなくなる。 本研究では,四足歩行ロボットと四足歩行ロボットにおけるフレームワークの有効性を実証し,最先端の手法と比較して優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-11-20T07:07:42Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• End-to-End Learning of Hybrid Inverse Dynamics Models for Precise and Compliant Impedance Control [16.88250694156719]
  剛体力学モデルの物理的に一貫した慣性パラメータを同定できる新しいハイブリッドモデルの定式化を提案する。 7自由度マニピュレータ上での最先端の逆動力学モデルに対する我々のアプローチを比較した。
  論文  参考訳（メタデータ） (2022-05-27T07:39:28Z)
• Real-time Neural-MPC: Deep Learning Model Predictive Control for Quadrotors and Agile Robotic Platforms [59.03426963238452]
  モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。 ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
  論文  参考訳（メタデータ） (2022-03-15T09:38:15Z)
• 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)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Action-Conditional Recurrent Kalman Networks For Forward and Inverse Dynamics Learning [17.80270555749689]
  ロボットのモデルベース制御において、正確な前方および逆ダイナミクスモデルの推定が重要な要素である。 本稿では,フォワードモデル学習のためのアーキテクチャと,逆モデル学習のためのアーキテクチャを提案する。 どちらのアーキテクチャも、予測性能の点で、既存のモデル学習フレームワークと分析モデルを大きく上回っている。
  論文  参考訳（メタデータ） (2020-10-20T11:28:25Z)

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。