論文の概要: Domain Adaptation of Drag Reduction Policy to Partial Measurements
- arxiv url: http://arxiv.org/abs/2507.04309v1
- Date: Sun, 06 Jul 2025 09:30:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-08 15:46:35.113858
- Title: Domain Adaptation of Drag Reduction Policy to Partial Measurements
- Title（参考訳）: 部分的測定に対するドラッグ削減政策のドメイン適応
- Authors: Anton Plaksin, Georgios Rigas,
- Abstract要約: 本研究では,全状態測定から得られたフィードバック制御ポリシを,部分的測定のみによる設定に適応させる手法を提案する。
本手法は, 簡易道路車両の空力抵抗を最小化することにより, シミュレーション環境で実演する。
- 参考スコア（独自算出の注目度）: 2.3020018305241337
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Feedback control of fluid-based systems poses significant challenges due to their high-dimensional, nonlinear, and multiscale dynamics, which demand real-time, three-dimensional, multi-component measurements for sensing. While such measurements are feasible in digital simulations, they are often only partially accessible in the real world. In this paper, we propose a method to adapt feedback control policies obtained from full-state measurements to setups with only partial measurements. Our approach is demonstrated in a simulated environment by minimising the aerodynamic drag of a simplified road vehicle. Reinforcement learning algorithms can optimally solve this control task when trained on full-state measurements by placing sensors in the wake. However, in real-world applications, sensors are limited and typically only on the vehicle, providing only partial measurements. To address this, we propose to train a Domain Specific Feature Transfer (DSFT) map reconstructing the full measurements from the history of the partial measurements. By applying this map, we derive optimal policies based solely on partial data. Additionally, our method enables determination of the optimal history length and offers insights into the architecture of optimal control policies, facilitating their implementation in real-world environments with limited sensor information.
- Abstract（参考訳）: 流体系のフィードバック制御は, 実時間, 三次元, 多成分計測を必要とする高次元, 非線形, マルチスケールのダイナミックスによって, 重要な課題を生じさせる。
このような測定はデジタルシミュレーションでは実現可能だが、現実の世界では部分的にしかアクセスできないことが多い。
本稿では,全状態計測から得られたフィードバック制御ポリシーを,部分的測定のみによる設定に適応させる手法を提案する。
本手法は, 簡易道路車両の空力抵抗を最小化することにより, シミュレーション環境で実演する。
強化学習アルゴリズムは、覚醒にセンサーを配置することで、フルステート測定でトレーニングされた時に、この制御タスクを最適に解くことができる。
しかし、現実世界の応用では、センサーは限定的であり、通常は車両上でのみ機能し、部分的な測定しか行わない。
そこで本研究では,部分的測定履歴から全測定値を再構築する領域特定特徴伝達(DSFT)マップのトレーニングを提案する。
このマップを適用することで、部分データのみに基づいて最適なポリシーを導出する。
さらに,本手法は最適履歴長の決定を可能にし,最適制御ポリシのアーキテクチャに関する洞察を与え,センサ情報に制限のある実環境における実装を容易にする。
関連論文リスト
- Dynamic Manipulation of Deformable Objects in 3D: Simulation, Benchmark and Learning Strategy [88.8665000676562]
従来の手法は、しばしば問題を低速または2D設定に単純化し、現実の3Dタスクに適用性を制限する。
データ不足を軽減するため、新しいシミュレーションフレームワークと、低次ダイナミクスに基づくベンチマークを導入する。
本研究では,シミュレーション前トレーニングと物理インフォームドテスト時間適応を統合するフレームワークであるDynamics Informed Diffusion Policy (DIDP)を提案する。
論文 参考訳（メタデータ） (2025-05-23T03:28:25Z) - TanDepth: Leveraging Global DEMs for Metric Monocular Depth Estimation in UAVs [5.6168844664788855]
本研究は,推定時間における相対的推定から距離深度を求めるための実用的スケール回復手法であるTanDepthを提示する。
提案手法は,GDEM(Global Digital Elevation Models)のスパース計測をカメラビューに投影することで活用する。
推定深度マップから接地点を選択して、投影された基準点と相関するクラスフィルタシミュレーションへの適応を示す。
論文 参考訳（メタデータ） (2024-09-08T15:54:43Z) - Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。
大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
論文 参考訳（メタデータ） (2023-10-09T14:30:06Z) - DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。
運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。
我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
論文 参考訳（メタデータ） (2023-10-03T10:10:42Z) - Learning IMM Filter Parameters from Measurements using Gradient Descent [45.335821132209766]
トラック下のターゲットの固有のパラメータは、システムがデプロイされるまで完全に観測不可能である。
最先端のセンサーシステムはますます複雑になり、パラメータの数が自然に増加する。
本稿では,対話型多重モデル (IMM) フィルタのパラメータを計測のみで最適化する。
論文 参考訳（メタデータ） (2023-07-13T08:35:40Z) - Transformer Inertial Poser: Attention-based Real-time Human Motion
Reconstruction from Sparse IMUs [79.72586714047199]
本研究では,6つのIMUセンサからリアルタイムに全体動作を再構築する,注意に基づく深層学習手法を提案する。
提案手法は, 実装が簡単で, 小型でありながら, 定量的かつ質的に新しい結果が得られる。
論文 参考訳（メタデータ） (2022-03-29T16:24:52Z) - Investigation of Physics-Informed Deep Learning for the Prediction of
Parametric, Three-Dimensional Flow Based on Boundary Data [0.0]
熱水車シミュレーションにおける3次元流れ場予測のためのパラメータ化サロゲートモデルを提案する。
物理インフォームドニューラルネットワーク (PINN) の設計は, 幾何学的変動に応じて, 流れ解の族を学習することを目的としている。
論文 参考訳（メタデータ） (2022-03-17T09:54:22Z) - Incremental learning of LSTM framework for sensor fusion in attitude
estimation [2.064612766965483]
本稿では,Long-Short Term Memory (LSTM) ネットワークの漸進的学習による3次元空間における物体の姿勢推定手法を提案する。
慣性センサデータはLSTMネットワークに送られ、徐々に更新され、実行時に発生する動作の動的変化を組み込む。
提案フレームワークは,高度に動的な環境であっても,従来の手法と比較して,結果を著しく改善する。
論文 参考訳（メタデータ） (2021-08-04T09:03:53Z) - Measuring Novelty in Autonomous Vehicles Motion Using Local Outlier
Factor Algorithm [2.6747893782972105]
本論文では,自律走行の新規な動きをリアルタイムに定量化する手法を提案する。
実世界の車両ミッションから得られたデータセットを用いて、提案されたメトリクスがある程度の新規性を定量化できることを実証する。
論文 参考訳（メタデータ） (2021-04-24T15:19:35Z) - Reinforcement Learning for Adaptive Mesh Refinement [63.7867809197671]
マルコフ決定過程としてのAMRの新規な定式化を提案し,シミュレーションから直接改良政策を訓練するために深部強化学習を適用した。
これらのポリシーアーキテクチャのモデルサイズはメッシュサイズに依存しないため、任意に大きく複雑なシミュレーションにスケールします。
論文 参考訳（メタデータ） (2021-03-01T22:55:48Z) - Experimental adaptive Bayesian estimation of multiple phases with
limited data [0.0]
追加の制御パラメータを利用するアダプティブプロトコルは、量子センサの性能を最適化して、そのような制限されたデータ構造で動作するためのツールを提供する。
推定プロセス中に制御パラメータをチューニングするための最適な戦略を見つけることは自明な問題であり、機械学習技術はそのような課題に対処するための自然な解決策である。
フェムト秒レーザーによる小型でフレキシブルな集積フォトニック回路を用いて、高い制御率で異なる戦略を実現できる。
論文 参考訳（メタデータ） (2020-02-04T11:32:32Z)
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。