論文の概要: Learning based Modelling of Throttleable Engine Dynamics for Lunar Landing Mission

• arxiv url: http://arxiv.org/abs/2511.08612v1
• Date: Thu, 13 Nov 2025 01:00:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-13 22:34:54.141025
• Title: Learning based Modelling of Throttleable Engine Dynamics for Lunar Landing Mission
• Title（参考訳）: 月着陸ミッションのためのスロットラブルエンジンダイナミクスの学習モデル
• Authors: Suraj Kumar, Aditya Rallapalli, Bharat Kumar GVP,
• Abstract要約: 本稿では、スロットル可能なエンジンダイナミクスのモデリングのための学習に基づくシステム識別手法を提案する。 開発したモデルは実験結果を用いて検証し, 閉ループ誘導と制御シミュレーションに利用した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Typical lunar landing missions involve multiple phases of braking to achieve soft-landing. The propulsion system configuration for these missions consists of throttleable engines. This configuration involves complex interconnected hydraulic, mechanical, and pneumatic components each exhibiting non-linear dynamic characteristics. Accurate modelling of the propulsion dynamics is essential for analyzing closed-loop guidance and control schemes during descent. This paper presents a learning-based system identification approach for modelling of throttleable engine dynamics using data obtained from high-fidelity propulsion model. The developed model is validated with experimental results and used for closed-loop guidance and control simulations.
• Abstract（参考訳）: 典型的な月面着陸ミッションは、軟着陸を達成するためのブレーキの複数のフェーズを含む。 これらのミッションの推進システムは、スロットル可能なエンジンで構成されている。 この構成は、複雑な相互接続された油圧、機械的、空気圧成分を含み、それぞれ非線形の動的特性を示す。 降下時の閉ループ誘導および制御スキームの解析には, 推進動力学の正確なモデリングが不可欠である。 本稿では、高忠実度推進モデルから得られたデータを用いて、スロットル可能なエンジンダイナミクスをモデル化するための学習に基づくシステム同定手法を提案する。 開発したモデルは実験結果を用いて検証し, 閉ループ誘導と制御シミュレーションに利用した。

関連論文リスト

• A Supervised Machine-Learning Approach For Turboshaft Engine Dynamic Modeling Under Real Flight Conditions [0.0]
  本研究では、レオナルドのAW189P4プロトタイプのターボシャフトエンジンをモデル化するための異なるニューラルネットワークアーキテクチャについて検討する。 これらのモデルは、様々な操作を含む実飛行テストの広範なデータベースで訓練されている。 ニューラルネットワークのアプローチを補完するために,SINDy(Sparse Identification of Dynamics)を用いて低次元力学モデルを導出する。
  論文  参考訳（メタデータ） (2025-02-19T21:45:53Z)
• A Deep Inverse-Mapping Model for a Flapping Robotic Wing [0.0]
  システム制御では、システムのダイナミクスは入力によって制御され、望ましい結果が得られる。 羽ばたきロボットでは、複雑な流体運動が関与し、入力(翼運動学)を結果(空気力)にマッピングするのは簡単ではない。 本稿では,実験システムから得られたデータに基づくフラッピング翼系の逆マッピングのための機械学習ソリューションについて報告する。
  論文  参考訳（メタデータ） (2025-02-13T14:46:04Z)
• Probing Multimodal LLMs as World Models for Driving [72.18727651074563]
  自律運転におけるMLLM(Multimodal Large Language Models)の適用について検討する。 GPT-4oのようなモデルの開発は進んでいるが、複雑な運転環境における性能は未解明のままである。
  論文  参考訳（メタデータ） (2024-05-09T17:52:42Z)
• A Tricycle Model to Accurately Control an Autonomous Racecar with Locked Differential [71.53284767149685]
  自動オープンホイールレースカーの側面力学に対するロックディファレンシャルの影響をモデル化するための新しい定式化を提案する。 本稿では,マイクロステップの離散化手法を用いて,動的に線形化し,実時間実装に適した予測を行う。
  論文  参考訳（メタデータ） (2023-12-22T16:29:55Z)
• 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)
• 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)
• Identification of the nonlinear steering dynamics of an autonomous vehicle [0.0]
  現代の車両は、モデリングが難しいデジタルおよびメカトロニクスコンポーネントの広い配列を持っています。 関連する車両のダイナミクスをキャプチャするためにデータ駆動モデリングを使用することは魅力的です。 ニューラルネットワークベースのサブスペースエンコーダが基礎となるダイナミクスをうまくキャプチャできることを示した。
  論文  参考訳（メタデータ） (2021-05-10T17:32:23Z)
• Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
  深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。 ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。 その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
  論文  参考訳（メタデータ） (2021-03-11T15:21:08Z)

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。