論文の概要: Information-Theoretic Framework for Self-Adapting Model Predictive Controllers

• arxiv url: http://arxiv.org/abs/2603.01286v1
• Date: Sun, 01 Mar 2026 21:44:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-03 19:50:56.607884
• Title: Information-Theoretic Framework for Self-Adapting Model Predictive Controllers
• Title（参考訳）: 自己適応型予測制御のための情報理論フレームワーク
• Authors: Wael Hafez, Amir Nazeri,
• Abstract要約: モデル予測制御(MPC)は無人航空機(UAV)のような自律システムにとって重要な技術である MPCは、動的障害やシフトシステムダイナミクスといったリアルタイムな変化に適応するのに苦労する。 本稿では,IDT(Information Digital Twin)による適応性を考慮した情報理論フレームワークを提案する。 IDTは、入力間の情報フロー、制御アクション、UAV動作を監視し、定量化する。
• 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: Model Predictive Control (MPC) is a vital technique for autonomous systems, like Unmanned Aerial Vehicles (UAVs), enabling optimized motion planning. However, traditional MPC struggles to adapt to real-time changes such as dynamic obstacles and shifting system dynamics, lacking inherent mechanisms for self-monitoring and adaptive optimization. Here, we introduce Entanglement Learning (EL), an information-theoretic framework that enhances MPC adaptability through an Information Digital Twin (IDT). The IDT monitors and quantifies, in bits, the information flow between MPC inputs, control actions, and UAV behavior. By introducing new information-theoretic metrics we call entanglement metrics, it tracks variations in these dependencies. These metrics measure the mutual information between the optimizer's input, its control actions, and the resulting UAV dynamics, enabling a deeper understanding of their interrelationships. This allows the IDT to detect performance deviations and generate real-time adaptive signals to recalibrate MPC parameters, preserving stability. Unlike traditional MPC, which relies on error-based feedback, this dual-feedback approach leverages information flow for proactive adaptation to evolving conditions. Scalable and leveraging existing infrastructure, this framework improves MPC reliability and robustness across diverse scenarios, extending beyond UAV control to any MPC implementation requiring adaptive performance.
• Abstract（参考訳）: モデル予測制御(MPC)は無人航空機(UAV)のような自律システムにとって重要な技術であり、最適化された運動計画を可能にしている。 しかし、従来のMPCは、動的障害やシフトシステムダイナミクスのようなリアルタイムな変化に適応するのに苦労し、自己監視と適応最適化の固有のメカニズムを欠いている。 本稿では,情報デジタル双対(IDT)によるMPC適応性を高める情報理論フレームワークであるEntanglement Learning (EL)を紹介する。 IDTは、MPC入力、制御アクション、UAV動作の間の情報フローを監視し、ビット単位で定量化する。 絡み合いメトリクスと呼ばれる新しい情報理論メトリクスを導入することで、依存関係のバリエーションを追跡する。 これらのメトリクスは、オプティマイザの入力とコントロールアクション、そして結果のUAVダイナミクスの間の相互情報を計測し、それらの相互関係をより深く理解することを可能にする。 これにより、IDTは性能のずれを検出し、MPCパラメータを再調整し、安定性を保つためにリアルタイム適応信号を生成することができる。 エラーベースのフィードバックに依存する従来のMPCとは異なり、このデュアルフィードバックアプローチは情報フローを利用して進化する条件に積極的に適応する。 このフレームワークは、UAVコントロールを越えて、適応的なパフォーマンスを必要とする任意のMPC実装まで、さまざまなシナリオにわたって、MPCの信頼性と堅牢性を向上させる。

関連論文リスト

• Why Steering Works: Toward a Unified View of Language Model Parameter Dynamics [81.80010043113445]
  局所的な微調整、LoRAに基づく適応、およびアクティベーションに基づく介入を分離して研究する。 制御信号によって誘導される動的ウェイト更新として、これらの介入をフレーム化する統一的な視点を示す。 提案手法では,選択と効用との間に一貫したトレードオフが観測される。
  論文  参考訳（メタデータ） (2026-02-02T17:04:36Z)
• Fints: Efficient Inference-Time Personalization for LLMs with Fine-Grained Instance-Tailored Steering [49.212940215720884]
  本稿では,ユーザデータからサンプルレベルの干渉を生成し,モデルの前方通過に注入してパーソナライズするステアリングフレームワークを提案する。 本手法は,対話モードやコンテキスト長の異なる環境において,ロバスト性を保ちながら,高速シフト環境におけるパーソナライズ性能を著しく向上させる。
  論文  参考訳（メタデータ） (2025-10-31T06:01:04Z)
• Joint Channel Estimation and Computation Offloading in Fluid Antenna-assisted MEC Networks [81.36647816787713]
  チャネル推定の遅延を最小限に抑えるためのFA支援オフロードフレームワークを提案する。 提案方式は,効率的な通信を行う場合の精度を大幅に低下させることを示す。
  論文  参考訳（メタデータ） (2025-09-16T08:48:44Z)
• Intersection of Reinforcement Learning and Bayesian Optimization for Intelligent Control of Industrial Processes: A Safe MPC-based DPG using Multi-Objective BO [0.0]
  Model Predictive Control (MPC)ベースのReinforcement Learning (RL)は、Deep Neural Network (DNN)ベースのRL手法の、構造化された解釈可能な代替手段を提供する。 標準MPC-RLアプローチは、収束の遅さ、パラメータ化の制限による最適条件学習、オンライン適応時の安全性の問題に悩まされることが多い。 MPC-RLと多目的ベイズ最適化(MOBO)を統合した新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-14T02:31:52Z)
• Enhancing Autonomous Driving Systems with On-Board Deployed Large Language Models [25.418353477628035]
  本研究では,低レベルモデル予測制御器(MPC)と局所展開型大規模言語モデル(LLM)を組み合わせたハイブリッドアーキテクチャを提案する。 DecisionxLLMモジュールは、ロボットの状態情報を自然言語命令に対して評価し、所望の運転行動への順守を保証する。 本稿では、検索型拡張生成(RAG)、低ランク適応(LoRA)、微調整、量子化を利用するアプローチを提案する。
  論文  参考訳（メタデータ） (2025-04-15T13:49:17Z)
• Bisimulation metric for Model Predictive Control [44.301098448479195]
  Bisimulation Metric for Model Predictive Control (BS-MPC) は、目的関数にbisimulation metric lossを組み込んでエンコーダを直接最適化する新しい手法である。 BS-MPCは、トレーニング時間を削減することにより、トレーニング安定性、入力ノイズに対する堅牢性、および計算効率を向上させる。 我々は,DeepMind Control Suiteから連続制御および画像ベースタスクのBS-MPCを評価する。
  論文  参考訳（メタデータ） (2024-10-06T17:12:10Z)
• 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)
• End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
  本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。 エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-03T10:21:53Z)
• MTR++: Multi-Agent Motion Prediction with Symmetric Scene Modeling and Guided Intention Querying [110.83590008788745]
  自律運転システムにとって、複雑な運転シナリオを理解し、情報的な決定を下すためには、動きの予測が不可欠である。 本稿では,これらの課題に対処するためのMotion TRansformer (MTR) フレームワークを提案する。 最初のMTRフレームワークは、学習可能な意図クエリを備えたトランスフォーマーエンコーダ-デコーダ構造を利用する。 複数のエージェントに対するマルチモーダル動作を同時に予測するMTR++フレームワークを導入する。
  論文  参考訳（メタデータ） (2023-06-30T16:23:04Z)
• Policy Search for Model Predictive Control with Application to Agile Drone Flight [56.24908013905407]
  MPCのためのポリシ・フォー・モデル・予測制御フレームワークを提案する。 具体的には、パラメータ化コントローラとしてMPCを定式化し、パラメータ化の難しい決定変数を高レベルポリシーとして表現する。 シミュレーションと実環境の両方において,我々の制御器が堅牢かつリアルタイムに制御性能を発揮することを示す実験を行った。
  論文  参考訳（メタデータ） (2021-12-07T17:39:24Z)
• Heteroscedastic Bayesian Optimisation for Stochastic Model Predictive Control [23.180330602334223]
  モデル予測制御(MPC)は、複雑な物理システムの制御を含むアプリケーションで成功している。 制御器の動作のランダム性に起因した余分な課題を提示する,MPC のコンテキストにおける微調整 MPC 手法について検討する。
  論文  参考訳（メタデータ） (2020-10-01T05:31:41Z)

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。