論文の概要: Direct transfer of optimized controllers to similar systems using dimensionless MPC

• arxiv url: http://arxiv.org/abs/2512.08667v1
• Date: Tue, 09 Dec 2025 14:52:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 22:28:08.008051
• Title: Direct transfer of optimized controllers to similar systems using dimensionless MPC
• Title（参考訳）: 次元レスMPCを用いた最適制御器の類似系への直接移動
• Authors: Josip Kir Hromatko, Shambhuraj Sawant, Šandor Ileš, Sébastien Gros,
• Abstract要約: スケールモデル実験は、実験コストを削減し、フルスケールシステムに関連する制約を克服するために、様々な工学分野において一般的に用いられている。 本研究では,非次元モデル予測制御を用いた直接制御器の移動を可能にする手法を提案する。
• 参考スコア（独自算出の注目度）: 3.0083198823765565
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scaled model experiments are commonly used in various engineering fields to reduce experimentation costs and overcome constraints associated with full-scale systems. The relevance of such experiments relies on dimensional analysis and the principle of dynamic similarity. However, transferring controllers to full-scale systems often requires additional tuning. In this paper, we propose a method to enable a direct controller transfer using dimensionless model predictive control, tuned automatically for closed-loop performance. With this reformulation, the closed-loop behavior of an optimized controller transfers directly to a new, dynamically similar system. Additionally, the dimensionless formulation allows for the use of data from systems of different scales during parameter optimization. We demonstrate the method on a cartpole swing-up and a car racing problem, applying either reinforcement learning or Bayesian optimization for tuning the controller parameters. Software used to obtain the results in this paper is publicly available at https://github.com/josipkh/dimensionless-mpcrl.
• Abstract（参考訳）: スケールモデル実験は、実験コストを削減し、フルスケールシステムに関連する制約を克服するために、様々な工学分野において一般的に用いられている。 このような実験の関連性は、次元解析と動的類似性の原理に依存している。 しかし、コントローラをフルスケールシステムに転送するには、追加のチューニングが必要になることが多い。 本論文では,非次元モデル予測制御を用いた直接制御器の移動を可能にする手法を提案する。 この修正により、最適化されたコントローラの閉ループ動作は、新しい動的に類似したシステムに直接転送される。 さらに、次元のない定式化により、パラメータ最適化中に異なるスケールのシステムからのデータを使用することができる。 本稿では,カーレース問題とカーポール・スワップアップの手法を実証し,制御パラメータの調整に強化学習あるいはベイズ最適化を適用した。 本論文の結果を得るために使用されるソフトウェアはhttps://github.com/josipkh/dimensionless-mpcrl.comで公開されている。

関連論文リスト

• 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)
• Tuning Legged Locomotion Controllers via Safe Bayesian Optimization [47.87675010450171]
  本稿では,ロボットハードウェアプラットフォームにおけるモデルベースコントローラの展開を効率化するための,データ駆動型戦略を提案する。 モデルフリーな安全な学習アルゴリズムを用いて制御ゲインのチューニングを自動化し、制御定式化で使用される単純化されたモデルと実システムとのミスマッチに対処する。
  論文  参考訳（メタデータ） (2023-06-12T13:10:14Z)
• Performance-Driven Controller Tuning via Derivative-Free Reinforcement Learning [6.5158195776494]
  我々は,新しい微分自由強化学習フレームワークを用いて,制御器のチューニング問題に取り組む。 我々は,PIDコントローラを用いた適応走行制御とMPCコントローラを用いた軌道追跡という,自律走行による2つの具体例に関する数値実験を行った。 実験の結果,提案手法は一般的なベースラインよりも優れており,コントローラチューニングの強い可能性を強調している。
  論文  参考訳（メタデータ） (2022-09-11T13:01:14Z)
• On Controller Tuning with Time-Varying Bayesian Optimization [74.57758188038375]
  制御対象とその変更に関する適切な事前知識を用いて、時間変化最適化(TVBO)を用いて、変更環境におけるコントローラのオンラインチューニングを行う。 本研究では,不確実性注入(UI)を用いたTVBO戦略を提案する。 我々のモデルはTVBOの最先端手法よりも優れており、後悔の軽減と不安定なパラメータ構成の低減を実現している。
  論文  参考訳（メタデータ） (2022-07-22T14:54:13Z)
• Automated Controller Calibration by Kalman Filtering [2.2237337682863125]
  提案手法は広範囲のコントローラに適用可能である。 この方法は、オンラインで堅牢にパラメータをチューニングし、計算効率が高く、データストレージの要件が低く、実装が容易である。 高忠実度車両シミュレータCarSimによるシミュレーション研究により、複雑な力学系のコントローラをオンラインで校正できることが示されている。
  論文  参考訳（メタデータ） (2021-11-21T14:57:11Z)
• Adaptive Optimal Trajectory Tracking Control Applied to a Large-Scale Ball-on-Plate System [0.0]
  ADPを用いた大規模ボール・オン・プレートシステムのための最適軌道追従制御器を提案する。 提案手法では,セットポイントトラッキングの代わりに参照軌道を近似し,一定のオフセット項を自動的に補償することができる。 実験の結果, このトラッキング機構は, セットポイントコントローラに比べて制御コストを大幅に削減することがわかった。
  論文  参考訳（メタデータ） (2020-10-26T11:22:03Z)

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。