論文の概要: Error-Centric PID Untrained Neural-Net (EC-PIDUNN) For Nonlinear Robotics Control

• arxiv url: http://arxiv.org/abs/2512.06578v1
• Date: Sat, 06 Dec 2025 22:06:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.177103
• Title: Error-Centric PID Untrained Neural-Net (EC-PIDUNN) For Nonlinear Robotics Control
• Title（参考訳）: 非線形ロボット制御のためのエラー中心型PID非訓練ニューラルネット(EC-PIDUNN)
• Authors: Waleed Razzaq,
• Abstract要約: 古典的比例的独立デリバティブ(PID)制御は、様々な産業システムで広く成功している。 しかし、非線形ダイナミクスの増加と相互接続変数の複雑さは、古典的なPIDが扱えない課題を提起している。 我々は、トレーニングされていないニューラルネットワークと改良されたPIDコントローラを統合した新しいEC-PIDUNNアーキテクチャを提案する。
• 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: Classical Proportional-Integral-Derivative (PID) control has been widely successful across various industrial systems such as chemical processes, robotics, and power systems. However, as these systems evolved, the increase in the nonlinear dynamics and the complexity of interconnected variables have posed challenges that classical PID cannot effectively handle, often leading to instability, overshooting, or prolonged settling times. Researchers have proposed PIDNN models that combine the function approximation capabilities of neural networks with PID control to tackle these nonlinear challenges. However, these models require extensive, highly refined training data and have significant computational costs, making them less favorable for real-world applications. In this paper, We propose a novel EC-PIDUNN architecture, which integrates an untrained neural network with an improved PID controller, incorporating a stabilizing factor (\(τ\)) to generate the control signal. Like classical PID, our architecture uses the steady-state error \(e_t\) as input bypassing the need for explicit knowledge of the systems dynamics. By forming an input vector from \(e_t\) within the neural network, we increase the dimensionality of input allowing for richer data representation. Additionally, we introduce a vector of parameters \( ρ_t \) to shape the output trajectory and a \textit{dynamic compute} function to adjust the PID coefficients from predefined values. We validate the effectiveness of EC-PIDUNN on multiple nonlinear robotics applications: (1) nonlinear unmanned ground vehicle systems that represent the Ackermann steering mechanism and kinematics control, (2) Pan-Tilt movement system. In both tests, it outperforms classical PID in convergence and stability achieving a nearly critically damped response.
• Abstract（参考訳）: 古典的なPID制御は、化学プロセス、ロボット工学、電力システムなど、様々な産業システムで広く成功している。 しかしながら、これらのシステムが進化するにつれて、非線形力学の増大と相互接続変数の複雑さは、古典的なPIDが効果的に扱えない課題を提起し、しばしば不安定性、オーバーシュート、あるいは長期の沈降時間をもたらす。 研究者たちは、ニューラルネットワークの関数近似能力とPID制御を組み合わせて、これらの非線形問題に対処するPIDNNモデルを提案している。 しかし、これらのモデルは広範囲で高度に洗練されたトレーニングデータを必要とし、計算コストがかなり高く、現実世界のアプリケーションではあまり好ましくない。 本稿では、トレーニングされていないニューラルネットワークと改良されたPIDコントローラを統合し、安定化係数(\(τ\)を組み込んで制御信号を生成する新しいEC-PIDUNNアーキテクチャを提案する。 古典的なPIDと同様に、我々のアーキテクチャはシステム力学の明示的な知識の必要性を回避する入力として定常誤差 \(e_t\) を用いる。 ニューラルネットワーク内で \(e_t\) から入力ベクトルを生成することにより、よりリッチなデータ表現を可能にする入力の次元性を高めることができる。 さらに、パラメータ \( ρ_t \) のベクトルを導入して出力軌跡を形作るとともに、事前定義された値から PID 係数を調整するために \textit{dynamic compute} 関数を導入する。 我々は,EC-PIDUNNの複数の非線形ロボットへの応用の有効性を検証する:(1)アッカーマンステアリング機構とキネマティクス制御を表す非線形無人地上車両システム,(2)パンティルト運動システム。 どちらのテストでも、コンバージェンスと安定性において古典的なPIDよりも優れており、ほぼ致命的な減衰反応を達成する。

関連論文リスト

• Differentiable Modeling for Low-Inertia Grids: Benchmarking PINNs, NODEs, and DP for Identification and Control of SMIB System [17.96236104895915]
  本稿では、電力系統力学のモデリング、識別、制御のための異なる微分可能プログラミングパラダイムの比較研究を行う。 軌道外挿,パラメータ推定,線形擬似レギュレータ(LQR)合成における性能評価を行った。 我々の結果は、データ駆動の柔軟性と物理的構造との根本的なトレードオフを強調します。
  論文  参考訳（メタデータ） (2026-02-10T11:22:59Z)
• Reservoir Predictive Path Integral Control for Unknown Nonlinear Dynamics [2.152586952462536]
  本稿では, エコー状態ネットワーク (ESN) とモデル予測経路積分 (MPPI) の制御を統合し, 高速オンライン識別と未知のダイナミクスの制御の課題に対処する。 提案した貯水池予測経路積分(RPPI)は, ESNを用いた非線形力学の高速学習を可能にし, 並列化MPPI制御計算において, 学習された非線形性を直接活用する。
  論文  参考訳（メタデータ） (2025-09-04T03:05:17Z)
• Improving physics-informed neural network extrapolation via transfer learning and adaptive activation functions [44.44497277876625]
  物理情報ニューラルネットワーク(英: Physics-Informed Neural Networks、PINN)は、システムの物理法則を学習プロセスに組み込んだディープラーニングモデルである。 本稿では,PINNの補間性能を向上させるために,転送学習(TL)手法を提案する。 提案手法は, 平均L2誤差を平均40%, 平均絶対誤差を平均50%削減する。
  論文  参考訳（メタデータ） (2025-07-16T22:19:53Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Parameter-Adaptive Approximate MPC: Tuning Neural-Network Controllers without Retraining [50.00291020618743]
  この研究は、大規模なデータセットを再計算し、再トレーニングすることなくオンラインチューニングが可能な、新しいパラメータ適応型AMPCアーキテクチャを導入している。 資源制約の厳しいマイクロコントローラ(MCU)を用いた2種類の実カートポールシステムの揺らぎを制御し,パラメータ適応型AMPCの有効性を示す。 これらの貢献は、現実世界のシステムにおけるAMPCの実践的応用に向けた重要な一歩である。
  論文  参考訳（メタデータ） (2024-04-08T20:02:19Z)
• Self-Tuning PID Control via a Hybrid Actor-Critic-Based Neural Structure for Quadcopter Control [0.0]
  Proportional-Integrator-Derivative (PID) コントローラは、幅広い産業および実験プロセスで使用されている。 モデルパラメータの不確実性と外乱のため、Quadrotorsのような実際のシステムはより堅牢で信頼性の高いPIDコントローラを必要とする。 本研究では,Reinforcement-Learning-based Neural Networkを用いた自己調整型PIDコントローラについて検討した。
  論文  参考訳（メタデータ） (2023-07-03T19:35:52Z)
• Physics-informed Neural Networks-based Model Predictive Control for Multi-link Manipulators [0.0]
  物理インフォームド機械学習手法を用いて,多体ダイナミクスに対する非線形モデル予測制御(NMPC)について論じる。 本稿では,ネットワーク入力として制御動作と初期条件を付加することでPINNの強化を提案する。 PINNベースのMPCを用いて,複雑な機械システムにおける追跡問題の解法を提案する。
  論文  参考訳（メタデータ） (2021-09-22T15:31:24Z)
• Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
  階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。 まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。 そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
  論文  参考訳（メタデータ） (2021-08-09T08:45:47Z)

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。