論文の概要: Learning Spatiotemporal Tubes for Temporal Reach-Avoid-Stay Tasks using Physics-Informed Neural Networks

• arxiv url: http://arxiv.org/abs/2512.08248v1
• Date: Tue, 09 Dec 2025 05:08:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:40.222942
• Title: Learning Spatiotemporal Tubes for Temporal Reach-Avoid-Stay Tasks using Physics-Informed Neural Networks
• Title（参考訳）: 物理インフォームドニューラルネットワークを用いた時間的リーチ回避作業のための時空間管の学習
• Authors: Ahan Basu, Ratnangshu Das, Pushpak Jagtap,
• Abstract要約: 本稿では, 汎用制御アフィン非線形純粋フィードバックシステムのための時空間管(STT)に基づく制御フレームワークを提案する。 このフレームワークは、移動ロボットと、散らばった環境を航行する航空機を含む2つのケーススタディを通じて検証される。
• 参考スコア（独自算出の注目度）: 2.7222301668137483
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper presents a Spatiotemporal Tube (STT)-based control framework for general control-affine MIMO nonlinear pure-feedback systems with unknown dynamics to satisfy prescribed time reach-avoid-stay tasks under external disturbances. The STT is defined as a time-varying ball, whose center and radius are jointly approximated by a Physics-Informed Neural Network (PINN). The constraints governing the STT are first formulated as loss functions of the PINN, and a training algorithm is proposed to minimize the overall violation. The PINN being trained on certain collocation points, we propose a Lipschitz-based validity condition to formally verify that the learned PINN satisfies the conditions over the continuous time horizon. Building on the learned STT representation, an approximation-free closed-form controller is defined to guarantee satisfaction of the T-RAS specification. Finally, the effectiveness and scalability of the framework are validated through two case studies involving a mobile robot and an aerial vehicle navigating through cluttered environments.
• Abstract（参考訳）: 本稿では, 一般制御型MIMO非線形純粋フィードバックシステムのための時空間管(STT)に基づく制御フレームワークを提案する。 STTは時間変化ボールとして定義され、中心と半径は物理インフォームドニューラルネットワーク(PINN)によって共同で近似される。 STTを規定する制約はまず、PINNの損失関数として定式化され、全体的な違反を最小限に抑えるためにトレーニングアルゴリズムが提案される。 PINNは特定のコロケーションポイントに基づいてトレーニングされており、学習したPINNが連続時間地平線上の条件を満たすことを正式に検証するために、リプシッツに基づく妥当性条件を提案する。 学習したSTT表現に基づいて、T-RAS仕様の満足度を保証するために近似自由閉形式コントローラを定義する。 最後に,移動ロボットと,散らばった環境を走行する航空機の2つのケーススタディにより,フレームワークの有効性とスケーラビリティを検証した。

関連論文リスト

• When Learning Hurts: Fixed-Pole RNN for Real-Time Online Training [58.25341036646294]
  本研究では,再帰性極の学習がデータに有意な利点をもたらしない理由を解析的に検討し,実時間学習シナリオを実証的に提供する。 固定極ネットワークは、トレーニングの複雑さを低減し、オンラインリアルタイムタスクにより適していることを示す。
  論文  参考訳（メタデータ） (2026-02-25T00:15:13Z)
• Unsupervised Physics-Informed Operator Learning through Multi-Stage Curriculum Training [1.5620806570871846]
  本研究では,損失景観における境界条件を強制することで収束を実現する物理インフォームドトレーニング戦略を提案する。 それぞれの段階で制限が再形成され、安定性を回復し、停滞を防ぐ継続メカニズムとして機能する。 標準ベンチマーク全体において、PhIS-FNOは教師付き学習に匹敵する精度のレベルに達する。
  論文  参考訳（メタデータ） (2026-02-02T16:06:57Z)
• Physics-informed deep operator network for traffic state estimation [16.262431071606574]
  交通状態推定(TSE)は、騒音の限られた測定値から交通流れのダイナミクスを管理する高次元偏微分方程式(PDE)を根本的に解く。 本稿では,TSEを演算子学習問題として再構成した物理インフォームドディープ演算子ネットワークフレームワークを採用する。
  論文  参考訳（メタデータ） (2025-08-18T02:59:42Z)
• FxTS-Net: Fixed-Time Stable Learning Framework for Neural ODEs [0.48123217909844934]
  固定時間安定(FxTS)リアプノフ条件を用いたニューラルODEの学習法を提案する。 我々のフレームワークはFxTS-Netと呼ばれ、リアプノフ関数に基づいて設計された新しいFxTS損失(FxTS-Loss)に基づいている。 FxTS-Netは入力摂動下での予測性能とロバスト性を向上させる。
  論文  参考訳（メタデータ） (2024-11-14T01:37:24Z)
• Neural Laplace Control for Continuous-time Delayed Systems [76.81202657759222]
  本稿では,ニューラルラプラス力学モデルとモデル予測制御(MPC)プランナを組み合わせた連続時間モデルに基づくオフラインRL法を提案する。 専門家の政策性能に近い連続的な遅延環境を実験的に示す。
  論文  参考訳（メタデータ） (2023-02-24T12:40:28Z)
• Online Training Through Time for Spiking Neural Networks [66.7744060103562]
  スパイキングニューラルネットワーク(SNN)は、脳にインスパイアされたエネルギー効率のモデルである。 近年のトレーニング手法の進歩により、レイテンシの低い大規模タスクにおいて、ディープSNNを成功させることができた。 本稿では,BPTT から派生した SNN の時間的学習(OTTT)によるオンライントレーニングを提案する。
  論文  参考訳（メタデータ） (2022-10-09T07:47:56Z)
• Unit-Modulus Wireless Federated Learning Via Penalty Alternating Minimization [64.76619508293966]
  Wireless Federated Learning(FL)は、分散データセットから無線通信を介してグローバルパラメトリックモデルをトレーニングする、新興機械学習パラダイムである。 本稿では、ローカルモデルパラメータをアップロードし、無線通信を介してグローバルモデルパラメータを算出する無線FLフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-08-31T08:19:54Z)
• Accelerating Federated Edge Learning via Optimized Probabilistic Device Scheduling [57.271494741212166]
  本稿では,通信時間最小化問題を定式化し,解決する。 最適化されたポリシーは、トレーニングプロセスが進むにつれて、残りの通信ラウンドの抑制から、ラウンドごとのレイテンシの低減へと、徐々に優先順位を転換している。 提案手法の有効性は,自律運転における協調的3次元目標検出のユースケースを通じて実証される。
  論文  参考訳（メタデータ） (2021-07-24T11:39:17Z)
• Physics-Informed Neural Nets-based Control [5.252190504926357]
  この研究は、Physical-Informed Neural Nets-based Control (PINC)と呼ばれる新しいフレームワークを提示する。 PINCは問題を制御でき、事前に固定されていない長距離時間地平線をシミュレートすることができる。 本手法を2つの非線形動的システムの制御において紹介する。
  論文  参考訳（メタデータ） (2021-04-06T14:55:23Z)
• Imitation Learning for Robust and Safe Real-time Motion Planning: A Contraction Theory Approach [9.35511513240868]
  LAG-ROSは、境界外乱によって乱される安全臨界非線形システムのリアルタイムロバストな動作計画アルゴリズムである。 LAG-ROSはリアルタイム計算のためのより速い実行の速度のより高い制御性能そしてタスクの成功率を達成します。
  論文  参考訳（メタデータ） (2021-02-25T03:47:15Z)

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。