論文の概要: Reduced-order Control and Geometric Structure of Learned Lagrangian Latent Dynamics

• arxiv url: http://arxiv.org/abs/2602.08963v1
• Date: Mon, 09 Feb 2026 18:00:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.296101
• Title: Reduced-order Control and Geometric Structure of Learned Lagrangian Latent Dynamics
• Title（参考訳）: 学習ラグランジアン潜時ダイナミクスの低次制御と幾何学的構造
• Authors: Katharina Friedl, Noémie Jaquier, Seungyeon Kim, Jens Lundell, Danica Kragic,
• Abstract要約: 本稿では,高次元ラグランジアンシステムのための学習構造保存型低次ダイナミクスに基づく潜在制御フレームワークを提案する。 モデリングエラーの原因を定量化することにより、安定性と収束性の解釈可能な条件を導出する。 提案した制御器と解析を,学習された動作パターンを導入して不活性化系に拡張する。
• 参考スコア（独自算出の注目度）: 16.958692029614994
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Model-based controllers can offer strong guarantees on stability and convergence by relying on physically accurate dynamic models. However, these are rarely available for high-dimensional mechanical systems such as deformable objects or soft robots. While neural architectures can learn to approximate complex dynamics, they are either limited to low-dimensional systems or provide only limited formal control guarantees due to a lack of embedded physical structure. This paper introduces a latent control framework based on learned structure-preserving reduced-order dynamics for high-dimensional Lagrangian systems. We derive a reduced tracking law for fully actuated systems and adopt a Riemannian perspective on projection-based model-order reduction to study the resulting latent and projected closed-loop dynamics. By quantifying the sources of modeling error, we derive interpretable conditions for stability and convergence. We extend the proposed controller and analysis to underactuated systems by introducing learned actuation patterns. Experimental results on simulated and real-world systems validate our theoretical investigation and the accuracy of our controllers.
• Abstract（参考訳）: モデルベースのコントローラは、物理的に正確な動的モデルに依存することにより、安定性と収束性に対する強い保証を提供することができる。 しかし、これらは変形可能な物体やソフトロボットのような高次元の機械システムではほとんど利用できない。 ニューラルネットワークは複雑な力学を近似することを学ぶことができるが、それらは低次元システムに限定されるか、埋め込まれた物理的構造が欠如しているため、限定的な形式的な制御保証しか提供しない。 本稿では,高次元ラグランジアンシステムのための学習構造保存型低次ダイナミクスに基づく潜在制御フレームワークを提案する。 完全作動系の追従法則を導出し、射影に基づくモデル次数還元に対するリーマン的視点を適用して、結果として生じる潜在および射影閉ループ力学を研究する。 モデリングエラーの原因を定量化することにより、安定性と収束性の解釈可能な条件を導出する。 提案した制御器と解析を,学習された動作パターンを導入して不活性化系に拡張する。 シミュレーションおよび実世界のシステムに関する実験結果は、制御器の理論的調査と精度を検証した。

関連論文リスト

• Dynamic Manipulation of Deformable Objects in 3D: Simulation, Benchmark and Learning Strategy [88.8665000676562]
  従来の手法は、しばしば問題を低速または2D設定に単純化し、現実の3Dタスクに適用性を制限する。 データ不足を軽減するため、新しいシミュレーションフレームワークと、低次ダイナミクスに基づくベンチマークを導入する。 本研究では,シミュレーション前トレーニングと物理インフォームドテスト時間適応を統合するフレームワークであるDynamics Informed Diffusion Policy (DIDP)を提案する。
  論文  参考訳（メタデータ） (2025-05-23T03:28:25Z)
• Certified Neural Approximations of Nonlinear Dynamics [51.01318247729693]
  安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。 本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
  論文  参考訳（メタデータ） (2025-05-21T13:22:20Z)
• Neural Internal Model Control: Learning a Robust Control Policy via Predictive Error Feedback [16.46487826869775]
  本稿では,モデルベース制御とRLベース制御を統合し,ロバスト性を高めるニューラル内部モデル制御を提案する。 我々のフレームワークは、剛体力学にニュートン・オイラー方程式を適用することで予測モデルを合理化し、複雑な高次元非線形性を捉える必要がなくなる。 本研究では,四足歩行ロボットと四足歩行ロボットにおけるフレームワークの有効性を実証し,最先端の手法と比較して優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-11-20T07:07:42Z)
• Neural Autoencoder-Based Structure-Preserving Model Order Reduction and Control Design for High-Dimensional Physical Systems [17.430588392066333]
  この研究は、高次元物理系の低次元近似の制御指向および構造保存学習に関するものである。 本稿では, 圧縮モデルの数学的構造を利用して, 過大な機械系の構成を調節するモデルベース制御手法を提案する。
  論文  参考訳（メタデータ） (2023-12-11T09:52:25Z)
• ConCerNet: A Contrastive Learning Based Framework for Automated Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
  本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。 本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-02-11T21:07:30Z)
• 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)
• Real-time Neural-MPC: Deep Learning Model Predictive Control for Quadrotors and Agile Robotic Platforms [59.03426963238452]
  モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。 ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
  論文  参考訳（メタデータ） (2022-03-15T09:38:15Z)
• Sparsity in Partially Controllable Linear Systems [56.142264865866636]
  本研究では, 部分制御可能な線形力学系について, 基礎となる空間パターンを用いて検討する。 最適制御には無関係な状態変数を特徴付ける。
  論文  参考訳（メタデータ） (2021-10-12T16:41:47Z)

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。