論文の概要: A Learning-based Control Methodology for Transitioning VTOL UAVs
- arxiv url: http://arxiv.org/abs/2512.03548v1
- Date: Wed, 03 Dec 2025 08:13:50 GMT
- ステータス: 情報取得中
- システム内更新日: 2025-12-04 12:01:05.380175
- Title: A Learning-based Control Methodology for Transitioning VTOL UAVs
- Title（参考訳）: 学習に基づくVTOL UAVの遷移制御手法
- Authors: Zexin Lin, Yebin Zhong, Hanwen Wan, Jiu Cheng, Zhenglong Sun, Xiaoqiang Ji,
- Abstract要約: 現在の制御方式の高度と位置の分離制御は、大きな振動を引き起こす。
本稿では、強化学習(RL)駆動制御に基づく新しい結合遷移制御手法を提案する。
シミュレーションおよび実環境における本手法の適用可能性を検証する。
- 参考スコア（独自算出の注目度）: 3.7488255458663384
- License:
- Abstract: Transition control poses a critical challenge in Vertical Take-Off and Landing Unmanned Aerial Vehicle (VTOL UAV) development due to the tilting rotor mechanism, which shifts the center of gravity and thrust direction during transitions. Current control methods' decoupled control of altitude and position leads to significant vibration, and limits interaction consideration and adaptability. In this study, we propose a novel coupled transition control methodology based on reinforcement learning (RL) driven controller. Besides, contrasting to the conventional phase-transition approach, the ST3M method demonstrates a new perspective by treating cruise mode as a special case of hover. We validate the feasibility of applying our method in simulation and real-world environments, demonstrating efficient controller development and migration while accurately controlling UAV position and attitude, exhibiting outstanding trajectory tracking and reduced vibrations during the transition process.
- Abstract（参考訳）: 遷移制御は、垂直離着陸無人航空機(VTOL UAV)の開発において、遷移中の重力と推力方向の中心をシフトさせる傾動ローター機構のために重要な課題となる。
現在の制御手法の高度と位置の分離制御は、大きな振動を引き起こし、相互作用の考慮と適応性を制限する。
本研究では,強化学習(RL)駆動制御を用いた新しい結合型遷移制御手法を提案する。
また, 従来の相転移法とは対照的に, ST3M法はクルーズモードをホバリングの特別な場合として扱うことにより, 新たな視点を示す。
提案手法をシミュレーションおよび実世界の環境に適用し,UAV位置と姿勢を正確に制御しつつ,効率的な制御装置開発と移動を実証し,遷移過程において優れた軌道追跡と振動の低減を図った。
関連論文リスト
- Transformer-Based Fault-Tolerant Control for Fixed-Wing UAVs Using Knowledge Distillation and In-Context Adaptation [3.1498833540989413]
本研究では, 固定翼無人航空機(UAV)の耐故障性制御のための変圧器を用いたアプローチを提案する。
提案手法は,変換器の学習機構と注意機構を用いて,外部ループ参照値を制御コマンドに直接マッピングする。
実験結果から, トランスフォーマーをベースとした制御器は, 業界標準SFSおよび最先端強化学習法(RL)よりも優れた性能を示した。
論文 参考訳（メタデータ） (2024-11-05T10:24:45Z) - TLControl: Trajectory and Language Control for Human Motion Synthesis [68.09806223962323]
本稿では,人間のリアルな動き合成のための新しい手法であるTLControlを提案する。
低レベルのTrajectoryと高レベルのLanguage semanticsコントロールが組み込まれている。
インタラクティブで高品質なアニメーション生成には実用的である。
論文 参考訳（メタデータ） (2023-11-28T18:54:16Z) - Learning Variable Impedance Control for Aerial Sliding on Uneven
Heterogeneous Surfaces by Proprioceptive and Tactile Sensing [42.27572349747162]
本研究では,空中すべり作業に対する学習に基づく適応制御手法を提案する。
提案するコントローラ構造は,データ駆動制御とモデルベース制御を組み合わせたものである。
美術品間相互作用制御手法の微調整状態と比較して,追従誤差の低減と外乱拒否の改善を実現した。
論文 参考訳（メタデータ） (2022-06-28T16:28:59Z) - Data-Efficient Deep Reinforcement Learning for Attitude Control of
Fixed-Wing UAVs: Field Experiments [0.37798600249187286]
DRLは、元の非線形力学を直接操作する固定翼UAVの姿勢制御をうまく学べることを示す。
我々は,UAVで学習したコントローラを飛行試験で展開し,最先端のArduPlane比例積分微分(PID)姿勢制御と同等の性能を示す。
論文 参考訳（メタデータ） (2021-11-07T19:07:46Z) - Reinforcement Learning for Robust Parameterized Locomotion Control of
Bipedal Robots [121.42930679076574]
シミュレーションにおけるロコモーションポリシをトレーニングするためのモデルフリー強化学習フレームワークを提案する。
ドメインランダム化は、システムダイナミクスのバリエーションにまたがる堅牢な振る舞いを学ぶためのポリシーを奨励するために使用されます。
本研究では、目標歩行速度、歩行高さ、旋回ヨーなどの多目的歩行行動について示す。
論文 参考訳（メタデータ） (2021-03-26T07:14:01Z) - Continuous Transition: Improving Sample Efficiency for Continuous
Control Problems via MixUp [119.69304125647785]
本稿では,連続的遷移を構築するための簡潔かつ強力な手法を提案する。
具体的には、連続的な遷移を線形に補間することにより、トレーニングのための新しい遷移を合成することを提案する。
また, 建設過程を自動案内する判別器を開発した。
論文 参考訳（メタデータ） (2020-11-30T01:20:23Z) - Transition control of a tail-sitter UAV using recurrent neural networks [80.91076033926224]
制御戦略は姿勢と速度安定化に基づいている。
RNNは高非線形空力項の推定に用いられる。
その結果, 遷移操作時の直線速度とピッチ角の収束性を示した。
論文 参考訳（メタデータ） (2020-06-29T21:33:30Z)
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。