論文の概要: Online Adaptation for Flying Quadrotors in Tight Formations

• arxiv url: http://arxiv.org/abs/2506.17488v1
• Date: Fri, 20 Jun 2025 21:49:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.43905
• Title: Online Adaptation for Flying Quadrotors in Tight Formations
• Title（参考訳）: 密集層におけるフライングクアドロレータのオンライン適応
• Authors: Pei-An Hsieh, Kong Yao Chee, M. Ani Hsieh,
• Abstract要約: 複雑な空力的なウェイクインタラクションは、チームだけでなく、個々のチームメンバーを不安定にします。 適応型混合学習に基づく制御フレームワークであるL1 KNODE-DW MPCを提案する。 提案手法は, 飛行中, 近接して垂直に3つのクアッドロータを配置できることを示す。
• 参考スコア（独自算出の注目度）: 10.227479910430866
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The task of flying in tight formations is challenging for teams of quadrotors because the complex aerodynamic wake interactions can destabilize individual team members as well as the team. Furthermore, these aerodynamic effects are highly nonlinear and fast-paced, making them difficult to model and predict. To overcome these challenges, we present L1 KNODE-DW MPC, an adaptive, mixed expert learning based control framework that allows individual quadrotors to accurately track trajectories while adapting to time-varying aerodynamic interactions during formation flights. We evaluate L1 KNODE-DW MPC in two different three-quadrotor formations and show that it outperforms several MPC baselines. Our results show that the proposed framework is capable of enabling the three-quadrotor team to remain vertically aligned in close proximity throughout the flight. These findings show that the L1 adaptive module compensates for unmodeled disturbances most effectively when paired with an accurate dynamics model. A video showcasing our framework and the physical experiments is available here: https://youtu.be/9QX1Q5Ut9Rs
• Abstract（参考訳）: 複雑な空気力学的なウェイク相互作用は、チームだけでなく個々のチームメンバーを不安定にすることができるため、タイトなフォーメーションで飛行する作業は、クオーターのチームにとって難しい。 さらに、これらの空力効果は、非常に非線形で高速なペースであり、モデル化と予測が困難である。 これらの課題を克服するために、L1 KNODE-DW MPCは適応的かつ混合的な知識学習に基づく制御フレームワークであり、個々の四重項が飛行中の時間変化の空力的相互作用に適応しながら軌道を正確に追跡することができる。 我々は,L1 KNODE-DW MPCを2つの異なる3つのクアッドロータ構成で評価し,MPCのベースラインよりも優れていることを示す。 提案手法は, 飛行中, 近接して垂直に3つのクアッドロータを配置できることを示す。 これらの結果から,L1適応モジュールは正確な力学モデルと組み合わせた場合,非モデル外乱に対して最も効果的に補償することがわかった。 私たちのフレームワークと物理的な実験を紹介するビデオがこちらで公開されている。

関連論文リスト

• Flying Quadrotors in Tight Formations using Learning-based Model Predictive Control [30.715469693232492]
  本研究では、第一原理モデリングとデータ駆動アプローチの利点を組み合わせたフレームワークを提案する。 このモデルを新しい学習ベースの予測モデル制御フレームワークに組み込むことで、性能が大幅に向上することを示す。 また,本フレームワークは,46秒の飛行データのみを用いて,例外的なサンプル効率を実現している。
  論文  参考訳（メタデータ） (2024-10-13T05:03:16Z)
• PIP-Loco: A Proprioceptive Infinite Horizon Planning Framework for Quadrupedal Robot Locomotion [1.123472110161393]
  四足歩行におけるモデル予測制御(MPC)の強みは、制約を強制する能力である。 自己受容型計画と強化学習(RL)を統合した枠組みを提案する。 デプロイ中、Dreamerモジュールは無限水平MPC問題を解決する。
  論文  参考訳（メタデータ） (2024-09-14T13:51:37Z)
• FullLoRA: Efficiently Boosting the Robustness of Pretrained Vision Transformers [72.83770102062141]
  Vision Transformer (ViT) モデルは、様々なコンピュータビジョンタスクにおいて徐々に主流になりつつある。 既存の大きなモデルは、トレーニング中のパフォーマンスを優先する傾向があり、ロバストさを無視する可能性がある。 従来のLoRAモジュールよりも前に学習可能なレイヤ正規化を取り入れた新しいLNLoRAモジュールを開発した。 学習可能なLNLoRAモジュールをViTモデルの主要コンポーネントに組み込むことにより,FullLoRAフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-03T14:08:39Z)
• SO(2)-Equivariant Downwash Models for Close Proximity Flight [6.297269227845377]
  本稿では,この問題に潜伏する測地(対称性)を生かした下水力のモデリングのための,学習に基づく新しいアプローチを提案する。 実世界のフライトデータをわずか5分でトレーニングした場合、我々の幾何学的認識モデルは15分以上のデータでトレーニングされた最先端のベースラインモデルよりも優れていることを実証した。
  論文  参考訳（メタデータ） (2023-05-30T12:27:47Z)
• Pre-training Language Model as a Multi-perspective Course Learner [103.17674402415582]
  本研究では,サンプル効率のよい事前学習のためのマルチパースペクティブ・コース・ラーニング(MCL)手法を提案する。 本研究では,3つの自己超越コースが,「綱引き」力学の固有の欠陥を軽減するように設計されている。 本手法は,GLUEおよびSQuAD 2.0ベンチマークにおいて,ELECTRAの平均性能をそれぞれ2.8%,絶対点を3.2%向上させる。
  論文  参考訳（メタデータ） (2023-05-06T09:02:10Z)
• Learning a Single Near-hover Position Controller for Vastly Different Quadcopters [56.37274861303324]
  本稿では,クワッドコプターのための適応型ニアホバー位置制御器を提案する。 これは、非常に異なる質量、大きさ、運動定数を持つクワッドコプターに展開することができる。 また、実行中に未知の障害に迅速に適応する。
  論文  参考訳（メタデータ） (2022-09-19T17:55:05Z)
• 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)
• Model-Based Meta-Reinforcement Learning for Flight with Suspended Payloads [69.21503033239985]
  吊り下げられたペイロードの輸送は、自律的な航空車両にとって困難である。 接続後飛行データから数秒以内に変化力学のモデルを学習するメタラーニング手法を提案する。
  論文  参考訳（メタデータ） (2020-04-23T17:43:56Z)

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。