論文の概要: Gradient-Enhanced Partitioned Gaussian Processes for Real-Time Quadrotor Dynamics Modeling

• arxiv url: http://arxiv.org/abs/2602.12487v1
• Date: Fri, 13 Feb 2026 00:00:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-16 23:37:53.794039
• Title: Gradient-Enhanced Partitioned Gaussian Processes for Real-Time Quadrotor Dynamics Modeling
• Title（参考訳）: 実時間四重項動力学モデリングのためのグラディエント強化分割ガウス過程
• Authors: Xinhuan Sang, Adam Rozman, Sheryl Grace, Roberto Tron,
• Abstract要約: 本稿では,状態空間分割と近似によってリアルタイムな推論を実現する情報を持つ,ガウス過程(GP)について述べる。 ローターとローターの相互作用や風向などの空力効果を捉える訓練データセットを生成する。 このフレームワークは、複雑で不安定な環境でのリアルタイム空力予測と制御アルゴリズムの効率的な基盤を提供する。
• 参考スコア（独自算出の注目度）: 3.0132217482597277
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a quadrotor dynamics Gaussian Process (GP) with gradient information that achieves real-time inference via state-space partitioning and approximation, and that includes aerodynamic effects using data from mid-fidelity potential flow simulations. While traditional GP-based approaches provide reliable Bayesian predictions with uncertainty quantification, they are computationally expensive and thus unsuitable for real-time simulations. To address this challenge, we integrate gradient information to improve accuracy and introduce a novel partitioning and approximation strategy to reduce online computational cost. In particular, for the latter, we associate a local GP with each non-overlapping region; by splitting the training data into local near and far subsets, and by using Schur complements, we show that a large part of the matrix inversions required for inference can be performed offline, enabling real-time inference at frequencies above 30 Hz on standard desktop hardware. To generate a training dataset that captures aerodynamic effects, such as rotor-rotor interactions and apparent wind direction, we use the CHARM code, which is a mid-fidelity aerodynamic solver. It is applied to the SUI Endurance quadrotor to predict force and torque, along with noise at three specified locations. The derivative information is obtained via finite differences. Experimental results demonstrate that the proposed partitioned GP with gradient conditioning achieves higher accuracy than standard partitioned GPs without gradient information, while greatly reducing computational time. This framework provides an efficient foundation for real-time aerodynamic prediction and control algorithms in complex and unsteady environments.
• Abstract（参考訳）: 本研究では, 状態空間分割と近似によりリアルタイムな推論を実現する勾配情報を持つガウス過程 (GP) について述べる。 従来のGPベースのアプローチは、不確実な定量化を伴う信頼できるベイズ予測を提供するが、計算コストが高く、したがってリアルタイムシミュレーションには適さない。 この課題に対処するために、勾配情報を統合して精度を向上させるとともに、オンライン計算コストを削減するための分割と近似の新たな戦略を導入する。 特に、後者では、局所GPを各非重複領域に関連付け、トレーニングデータを局所的な近距離部分集合と遠距離部分集合に分割することにより、Schur補数を用いて、推論に必要な行列逆変換の大部分をオフラインで行え、標準デスクトップハードウェア上で30Hz以上の周波数でのリアルタイム推論を可能にすることを示す。 ローターとローターの相互作用や風向などの空力効果を捉える訓練データセットを生成するために,中空力解法であるCHARM符号を用いる。 力とトルクを予測するために、SUI耐久四極子に適用され、3つの特定の場所でノイズを発生させる。 微分情報は有限差分により得られる。 実験により, 勾配条件付き分割GPは, 勾配情報のない標準分割GPよりも高い精度を実現し, 計算時間を大幅に短縮することを示した。 このフレームワークは、複雑で不安定な環境でのリアルタイム空力予測と制御アルゴリズムの効率的な基盤を提供する。

関連論文リスト

• 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)
• Efficient and generalizable nested Fourier-DeepONet for three-dimensional geological carbon sequestration [5.77922305904338]
  データ駆動機械学習を用いた代理モデリングは、物理学に基づくシミュレーションを加速する上で有望な代替手段となっている。 我々は、FNOの表現性と深層演算ネットワーク(DeepONet)のモジュラリティを組み合わせることにより、ネストしたフーリエ・ディープONetを開発した。 この新しいフレームワークは、トレーニング用のネストされたFNOの2倍効率が高く、少なくとも80%低いGPUメモリを必要とする。
  論文  参考訳（メタデータ） (2024-09-25T02:58:45Z)
• Aero-Nef: Neural Fields for Rapid Aircraft Aerodynamics Simulations [1.1932047172700866]
  本稿では,メッシュ領域上での定常流体力学シミュレーションの代理モデルを学習する手法を提案する。 提案したモデルは, 異なる流れ条件に対して非構造領域に直接適用することができる。 顕著なことに、RANS超音速翼データセット上の高忠実度解法よりも5桁高速な推論を行うことができる。
  論文  参考訳（メタデータ） (2024-07-29T11:48:44Z)
• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• From Fourier to Neural ODEs: Flow Matching for Modeling Complex Systems [20.006163951844357]
  ニューラル常微分方程式(NODE)を学習するためのシミュレーション不要なフレームワークを提案する。 フーリエ解析を用いて、ノイズの多い観測データから時間的および潜在的高次空間勾配を推定する。 我々の手法は、トレーニング時間、ダイナミクス予測、堅牢性の観点から、最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2024-05-19T13:15:23Z)
• Local approximate Gaussian process regression for data-driven constitutive laws: Development and comparison with neural networks [0.0]
  局所近似過程回帰を用いて特定のひずみ空間における応力出力を予測する方法を示す。 FE設定におけるグローバル構造問題を解決する場合のlaGPR近似の局所的性質に適応するために、修正されたニュートン・ラフソン手法が提案される。
  論文  参考訳（メタデータ） (2021-05-07T14:49:28Z)
• DiffPD: Differentiable Projective Dynamics with Contact [65.88720481593118]
  DiffPDは、暗黙の時間積分を持つ効率的な微分可能なソフトボディシミュレータである。 我々はDiffPDの性能を評価し,様々な応用における標準ニュートン法と比較して4～19倍のスピードアップを観測した。
  論文  参考訳（メタデータ） (2021-01-15T00:13:33Z)
• Fast Gravitational Approach for Rigid Point Set Registration with Ordinary Differential Equations [79.71184760864507]
  本稿では,FGA(Fast Gravitational Approach)と呼ばれる厳密な点集合アライメントのための物理に基づく新しい手法を紹介する。 FGAでは、ソースとターゲットの点集合は、シミュレーションされた重力場内を移動しながら、世界規模で多重リンクされた方法で相互作用する質量を持つ剛体粒子群として解釈される。 従来のアライメント手法では,新しいメソッドクラスには特徴がないことを示す。
  論文  参考訳（メタデータ） (2020-09-28T15:05:39Z)

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。