論文の概要: Adaptive SINDy: Residual Force System Identification Based UAV Disturbance Rejection

• arxiv url: http://arxiv.org/abs/2603.08863v1
• Date: Mon, 09 Mar 2026 19:26:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:42.126494
• Title: Adaptive SINDy: Residual Force System Identification Based UAV Disturbance Rejection
• Title（参考訳）: 適応SINDy: 残留力系同定に基づくUAV外乱除去
• Authors: Fawad Mehboob, Amir Atef Habel, Roohan Ahmed Khan, Mikhail Derevianchenko, Clement Fortin, Dzmitry Tsetserukou,
• Abstract要約: 本稿では,適応制御とデータ駆動型システム識別の新たな統合手法を提案する。 我々はガゼボ高調波環境と4方向から最大2m/sの風速で実飛行を行った。
• 参考スコア（独自算出の注目度）: 1.9182058480922208
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The stability and control of Unmanned Aerial Vehicles (UAVs) in a turbulent environment is a matter of great concern. Devising a robust control algorithm to reject disturbances is challenging due to the highly nonlinear nature of wind dynamics, and modeling the dynamics using analytical techniques is not straightforward. While traditional techniques using disturbance observers and classical adaptive control have shown some progress, they are mostly limited to relatively non-complex environments. On the other hand, learning based approaches are increasingly being used for modeling of residual forces and disturbance rejection; however, their generalization and interpretability is a factor of concern. To this end, we propose a novel integration of data-driven system identification using Sparse Identification of Non-Linear Dynamics (SINDy) with a Recursive Least Square (RLS) adaptive control to adapt and reject wind disturbances in a turbulent environment. We tested and validated our approach on Gazebo harmonic environment and on real flights with wind speeds of up to 2 m/s from four directions, creating a highly dynamic and turbulent environment. Adaptive SINDy outperformed the baseline PID and INDI controllers on several trajectory tracking error metrics without crashing. A root mean square error (RMSE) of up to 12.2 cm and 17.6 cm, and a mean absolute error (MAE) of 13.7 cm and 10.5 cm were achieved on circular and lemniscate trajectories, respectively. The validation was performed on a very lightweight Crazyflie drone under a highly dynamic environment for complex trajectory tracking.
• Abstract（参考訳）: 乱流環境における無人航空機(UAV)の安定性と制御は大きな懸念事項である。 風力力学の非常に非線形な性質のため、乱れを抑える頑健な制御アルゴリズムの開発は困難であり、解析的手法を用いて力学をモデル化することは容易ではない。 従来の外乱オブザーバと古典的な適応制御を用いた手法はいくつかの進歩を示しているが、それらは比較的複雑な環境に限られている。 一方、学習に基づくアプローチは、残留力のモデリングや乱れの拒絶にますます使われてきているが、それらの一般化と解釈性は懸念の要素である。 そこで本研究では,SINDyのスパース同定とRLS適応制御を併用して,乱流環境下での風乱の適応と除去を行う新しいシステム同定手法を提案する。 我々はガゼボ高調波環境と4方向から最大2m/sの風速で実飛行を行い、非常にダイナミックで乱流の環境を作り出した。 Adaptive SINDyは、ベースラインのPIDとINDIコントローラを、クラッシュすることなくいくつかの軌道追跡エラーメトリクスで上回った。 12.2cmと17.6cmの根平均二乗誤差 (RMSE) と13.7cmと10.5cmの平均絶対誤差 (MAE) はそれぞれ円軌道とレニスケート軌道で達成された。 この検証は、複雑な軌道追跡のための非常にダイナミックな環境下で、非常に軽量なCrazyflieドローン上で実施された。

関連論文リスト

• Onboard MuJoCo-based Model Predictive Control for Shipboard Crane with Double-Pendulum Sway Suppression [7.645323708488569]
  海上での重荷の移動は、危険なペイロードのスウェイによって制限された効率的なクレーンの運用に依存している。 既存の制御方法はそのような設定で苦労し、しばしば単純化された分析モデルに依存している。 MuJoCo MPCフレームワークを中心とした,完全なリアルタイム制御パイプラインを示す。
  論文  参考訳（メタデータ） (2026-03-17T11:43:52Z)
• Safe Path Planning and Observation Quality Enhancement Strategy for Unmanned Aerial Vehicles in Water Quality Monitoring Tasks [7.258114996625529]
  スペクトルリモートセンシング技術は水質モニタリングに広く利用されている。 動的環境において、影やスペクトル反射のような様々な照明条件は、厳しいスペクトル歪みを引き起こす。 本稿では,動的光と影乱れ回避のための能動経路計画法を提案する。
  論文  参考訳（メタデータ） (2025-12-24T14:26:20Z)
• A Physics-Informed Neural Network Approach for UAV Path Planning in Dynamic Environments [6.2703664569653945]
  ダイナミック・ウィンドフィールドで運用される無人航空機(UAV)は、安全でエネルギー効率の良い軌道を生成する必要がある。 A* や Kinodynamic RRT* のような伝統的なプランナーは、離散化やサンプリング制限のため、しばしば準最適または非滑らかな経路をもたらす。 本稿では,UAV力学,風乱,障害物回避を直接学習プロセスに組み込む物理インフォームドニューラルネットワーク(PINN)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-23T13:42:07Z)
• Custom Non-Linear Model Predictive Control for Obstacle Avoidance in Indoor and Outdoor Environments [0.0]
  本稿では,DJI行列100のための非線形モデル予測制御(NMPC)フレームワークを提案する。 このフレームワークは様々なトラジェクトリタイプをサポートし、厳密な操作の精度を制御するためにペナルティベースのコスト関数を採用している。
  論文  参考訳（メタデータ） (2024-10-03T17:50:19Z)
• DATT: Deep Adaptive Trajectory Tracking for Quadrotor Control [62.24301794794304]
  Deep Adaptive Trajectory Tracking (DATT)は、学習に基づくアプローチであり、現実世界の大きな乱れの存在下で、任意の、潜在的に実現不可能な軌跡を正確に追跡することができる。 DATTは、非定常風場における可溶性および非実用性の両方の軌道に対して、競争適応性非線形およびモデル予測コントローラを著しく上回っている。 適応非線形モデル予測制御ベースラインの1/4未満である3.2ms未満の推論時間で、効率的にオンラインで実行することができる。
  論文  参考訳（メタデータ） (2023-10-13T12:22:31Z)
• Interpretable Stochastic Model Predictive Control using Distributional Reinforced Estimation for Quadrotor Tracking Systems [0.8411385346896411]
  本研究では,動的・複雑環境下での自律的四角形ナビゲーションのためのトラジェクトリトラッカーを提案する。 提案フレームワークは,未知の空力効果に対する分散強化学習推定器をモデル予測制御器に統合する。 我々は,未知かつ多様な空気力を用いて,累積追従誤差を少なくとも66%改善するシステムを実証した。
  論文  参考訳（メタデータ） (2022-05-14T23:27:38Z)
• Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds [96.74836678572582]
  本稿では,ディープラーニングを通じて事前学習した表現を組み込むことで,オンラインでの迅速な適応を可能にする学習ベースのアプローチを提案する。 Neural-Flyは、最先端の非線形かつ適応的なコントローラよりもかなり少ないトラッキングエラーで正確な飛行制御を実現する。
  論文  参考訳（メタデータ） (2022-05-13T21:55:28Z)
• Adaptive Control and Regret Minimization in Linear Quadratic Gaussian (LQG) Setting [91.43582419264763]
  我々は不確実性に直面した楽観主義の原理に基づく新しい強化学習アルゴリズムLqgOptを提案する。 LqgOptはシステムのダイナミクスを効率的に探索し、モデルのパラメータを信頼区間まで推定し、最も楽観的なモデルのコントローラをデプロイする。
  論文  参考訳（メタデータ） (2020-03-12T19:56:38Z)

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。