論文の概要: Learn Structure, Adapt on the Fly: Multi-Scale Residual Learning and Online Adaptation for Aerial Manipulators

• arxiv url: http://arxiv.org/abs/2603.11638v1
• Date: Thu, 12 Mar 2026 08:02:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-21 18:33:56.716363
• Title: Learn Structure, Adapt on the Fly: Multi-Scale Residual Learning and Online Adaptation for Aerial Manipulators
• Title（参考訳）: 空中マニピュレータのためのマルチスケール残留学習とオンライン適応
• Authors: Samaksh Ujjawal, Naveen Sudheer Nair, Shivansh Pratap Singh, Rishabh Dev Yadav, Wei Pan, Spandan Roy,
• Abstract要約: 自律型空中マニピュレータ(AAM)は本質的に非定常・多スケール残留力学を示す非線形系である。 本稿では,AAMにおけるリアルタイム残差モデリングと補償のための予測適応フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 2.376629619475859
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous Aerial Manipulators (AAMs) are inherently coupled, nonlinear systems that exhibit nonstationary and multiscale residual dynamics, particularly during manipulator reconfiguration and abrupt payload variations. Conventional analytical dynamic models rely on fixed parametric structures, while static data-driven model assume stationary dynamics and degrade under configuration changes and payload variations. Moreover, existing learning architectures do not explicitly factorize cross-variable coupling and multi-scale temporal effects, conflating instantaneous inertial dynamics with long-horizon regime evolution. We propose a predictive-adaptive framework for real-time residual modeling and compensation in AAMs. The core of this framework is the Factorized Dynamics Transformer (FDT), which treats physical variables as independent tokens. This design enables explicit cross-variable attention while structurally separating short-horizon inertial dependencies from long-horizon aerodynamic effects. To address deployment-time distribution shifts, a Latent Residual Adapter (LRA) performs rapid linear adaptation in the latent space via Recursive Least Squares, preserving the offline nonlinear representation without prohibitive computational overhead. The adapted residual forecast is directly integrated into a residual-compensated adaptive controller. Real-world experiments on an aerial manipulator subjected to unseen payloads demonstrate higher prediction fidelity, accelerated disturbance attenuation, and superior closed-loop tracking precision compared to state-of-the-art learning baselines, all while maintaining strict real-time feasibility.
• Abstract（参考訳）: 自律型空中マニピュレータ(AAM)は本質的に結合しており、特にマニピュレータの再構成や突発的なペイロード変動において、非定常およびマルチスケールの残留力学を示す非線形システムである。 従来の解析力学モデルは固定パラメトリック構造に依存し、静的データ駆動モデルは定常力学を仮定し、構成変化やペイロードの変動の下で分解する。 さらに、既存の学習アーキテクチャは、クロス変数結合とマルチスケールの時間的効果を明示的に分解せず、短時間の慣性力学と長い水平状態の進化を融合させる。 本稿では,AAMにおけるリアルタイム残差モデリングと補償のための予測適応フレームワークを提案する。 このフレームワークの中核は、物理変数を独立したトークンとして扱うFDT(Facterized Dynamics Transformer)である。 この設計は、長軸空力効果から短軸慣性依存性を構造的に分離しながら、明示的な異種間注意を可能にする。 配置時分布シフトに対処するため、LRA(Latent Residual Adapter)はRecursive Least Squaresを介して潜時空間で高速な線形適応を行い、計算オーバーヘッドを禁ずることなくオフラインの非線形表現を保存する。 適応された残差予測は、残差補償適応制御器に直接統合される。 空のマニピュレータにおける実世界実験は、最先端の学習ベースラインと比較して予測精度の向上、外乱減衰の加速、クローズドループ追跡精度の向上を実証すると同時に、厳密なリアルタイム実現可能性を維持している。

関連論文リスト

• STRIDE: Structured Lagrangian and Stochastic Residual Dynamics via Flow Matching [2.5845893156827158]
  本研究では、保守的な剛体力学を不確実かつ効果的に非保守的な相互作用効果から分離する動的学習フレームワークSTRIDEを提案する。 本研究は,ペンデュラム,Unitree Go1ruped,Unitree G1 humanoidなど複雑度の高いシステム上でのSTRIDEの評価である。 その結果, 長軸予測誤差が20%減少し, 接触力予測誤差が30%減少した。
  論文  参考訳（メタデータ） (2026-03-09T15:15:21Z)
• KoopGen: Koopman Generator Networks for Representing and Predicting Dynamical Systems with Continuous Spectra [65.11254608352982]
  生成元をベースとしたニューラル・クープマン・フレームワークを導入し,構造的かつ状態に依存したクープマン・ジェネレータの表現を通じて動的にモデル化する。 固有のカルテス分解をスキュー結合および自己結合成分に利用することにより、KoopGenは可逆的な散逸から保守的な輸送を分離する。
  論文  参考訳（メタデータ） (2026-02-15T06:32:23Z)
• Time-Delayed Transformers for Data-Driven Modeling of Low-Dimensional Dynamics [0.0]
  非定常時間力学のデータ駆動モデリングのための時間遅延変換器(TD-TF)を提案する。 アーキテクチャは意図的に最小限であり、1つの自己アテンション層と1つの汎用層と1つのフィードフォワード層で構成されている。 数値実験により,TD-TFは線形に近い系において強い線形基底線の性能と一致し,非線形系やカオス系では著しく優れていた。
  論文  参考訳（メタデータ） (2026-02-09T10:22:43Z)
• Adaptive Visual Autoregressive Acceleration via Dual-Linkage Entropy Analysis [50.48301331112126]
  我々は,Visual AutoRegressive モデリングのためのトレーニング不要なトークン削減促進フレームワーク NOVA を提案する。 NOVAは、スケールエントロピー成長の屈折点をオンライン同定することにより、推論中のアクティベーションアクティベーションスケールを適応的に決定する。 実験と解析により、NOVAはシンプルで効果的なトレーニングフリー加速フレームワークとして評価される。
  論文  参考訳（メタデータ） (2026-02-01T17:29:42Z)
• ACFormer: Mitigating Non-linearity with Auto Convolutional Encoder for Time Series Forecasting [6.27761817493579]
  時系列予測(TSF)は、複雑なチャネル内時間依存性とチャネル間相関をモデル化する際の課題に直面している。 本稿では,線形射影の効率を,畳み込みの非線形特徴抽出力と整合させるアーキテクチャであるACFormerを提案する。
  論文  参考訳（メタデータ） (2026-01-28T13:47:54Z)
• Physics-informed Multiple-Input Operators for efficient dynamic response prediction of structures [0.07916635054977067]
  MIONetは空間と時間の両方で連続的に構造的応答を予測する。 モデルは単純なビームとKW-51ブリッジの両方で検証され、FEMレベルの精度は数秒で達成される。
  論文  参考訳（メタデータ） (2025-05-11T18:45:58Z)
• Attractor Memory for Long-Term Time Series Forecasting: A Chaos Perspective [63.60312929416228]
  textbftextitAttraosはカオス理論を長期時系列予測に取り入れている。 本研究では,AttraosがPatchTSTと比較して,パラメータの12分の1しか持たない主流データセットやカオスデータセットにおいて,LTSF法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-18T05:35:01Z)

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。