論文の概要: MeanFlow Meets Control: Scaling Sampled-Data Control for Swarms
- arxiv url: http://arxiv.org/abs/2603.20189v1
- Date: Fri, 20 Mar 2026 17:59:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 19:48:39.285208
- Title: MeanFlow Meets Control: Scaling Sampled-Data Control for Swarms
- Title（参考訳）: MeanFlowがコントロールを導入 - Swarmのサンプルデータコントロールのスケールアップ
- Authors: Anqi Dong, Yongxin Chen, Karl H. Johansson, Johan Karlsson,
- Abstract要約: 線形時間不変力学下でのSwarmステアリングのための制御空間学習フレームワークを提案する。
学習対象は、各間隔における有限水平最小エネルギー制御をパラメータ化する係数である。
この係数は、橋梁軌道に沿った積分表現と局所微分同一性の両方を許容し、単純な停止段階の訓練目標をもたらすことを示す。
- 参考スコア（独自算出の注目度）: 20.100033437036224
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Steering large-scale swarms in only a few control updates is challenging because real systems operate in sampled-data form: control inputs are updated intermittently and applied over finite intervals. In this regime, the natural object is not an instantaneous velocity field, but a finite-window control quantity that captures the system response over each sampling interval. Inspired by MeanFlow, we introduce a control-space learning framework for swarm steering under linear time-invariant dynamics. The learned object is the coefficient that parameterizes the finite-horizon minimum-energy control over each interval. We show that this coefficient admits both an integral representation and a local differential identity along bridge trajectories, which leads to a simple stop-gradient training objective. At implementation time, the learned coefficient is used directly in sampled-data updates, so the prescribed dynamics and actuation map are respected by construction. The resulting framework provides a scalable approach to few-step swarm steering that is consistent with the sampled-data structure of real control systems.
- Abstract（参考訳）: 実際のシステムはサンプルデータ形式で動作し、制御入力は断続的に更新され、有限間隔で適用される。
この状態において、自然物体は即時速度場ではなく、各サンプリング間隔で系の応答を捉える有限ウィンドウ制御量である。
MeanFlowに触発されて、線形時間不変の動的条件下でのSwarmステアリングのための制御空間学習フレームワークを導入する。
学習対象は、各間隔における有限水平最小エネルギー制御をパラメータ化する係数である。
この係数は、橋梁軌道に沿った積分表現と局所微分同一性の両方を許容し、単純な停止段階の訓練目標をもたらすことを示す。
実装時に、学習された係数はサンプルデータ更新で直接使用されるので、所定のダイナミックスとアクティベーションマップは構築によって尊重される。
結果として得られるフレームワークは、実際の制御システムのサンプルデータ構造と整合した、数ステップのSwarmステアリングに対するスケーラブルなアプローチを提供する。
関連論文リスト
- Efficient Real-Time Adaptation of ROMs for Unsteady Flows Using Data Assimilation [7.958594167693376]
パラメータ化還元次数モデル(ROM)の効率的な再学習戦略を提案する。
この戦略は計算時間の一部を必要としながら、完全再訓練に匹敵する精度を得る。
力学系を考えると、アウト・オブ・サンプル予測における誤差の主な原因は、潜在多様体の歪みに起因することが示される。
論文 参考訳（メタデータ） (2026-02-26T16:43:28Z) - Deep Bilinear Koopman Model for Real-Time Vehicle Control in Frenet Frame [0.0]
本稿では,カービリニアFrenetフレーム内の車両力学のモデリングと制御のための深いクープマン手法を提案する。
提案フレームワークは、深層ニューラルネットワークアーキテクチャを使用して、データからクープマン演算子とその関連する不変部分空間を同時に学習する。
提案した制御器は, ベースライン制御器と比較して追従誤差を著しく低減し, 組込み自動運転車システムにおけるリアルタイム実装に適していることを確認した。
論文 参考訳（メタデータ） (2025-07-16T18:49:44Z) - SuperFlow++: Enhanced Spatiotemporal Consistency for Cross-Modal Data Pretraining [62.433137130087445]
SuperFlow++は、連続するカメラペアを使用して事前トレーニングと下流タスクを統合する新しいフレームワークである。
SuperFlow++は様々なタスクや運転条件で最先端のメソッドよりも優れています。
強力な一般化性と計算効率により、SuperFlow++は、自動運転におけるデータ効率の高いLiDARベースの認識のための新しいベンチマークを確立する。
論文 参考訳（メタデータ） (2025-03-25T17:59:57Z) - Neural Flow Samplers with Shortcut Models [19.81513273510523]
連続フローベースのニューラルサンプリングは、非正規化された密度からサンプルを生成するための有望なアプローチを提供する。
速度駆動型Sequential Monte Carlo法を用いて,これらの課題量に対する改良された推定器を提案する。
提案するニューラルフローショートカットサンプリングは,合成データセットと複雑なnボディシステムターゲットの両方において,既存のフローベースニューラルサンプリングよりも経験的に優れている。
論文 参考訳（メタデータ） (2025-02-11T07:55:41Z) - Latent feedback control of distributed systems in multiple scenarios through deep learning-based reduced order models [3.5161229331588095]
高次元分散システムの継続的な監視とリアルタイム制御は、望まれる物理的な振る舞いを保証するためにアプリケーションに不可欠である。
完全順序モデルに依存する従来のフィードバック制御設計は、制御計算の遅延のため、これらの要求を満たすことができない。
非線形非侵襲的深層学習に基づく還元順序モデル(DL-ROM)により強化されたリアルタイム閉ループ制御戦略を提案する。
論文 参考訳（メタデータ） (2024-12-13T08:04:21Z) - PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳（メタデータ） (2024-06-04T13:51:08Z) - Transfer learning-based physics-informed convolutional neural network
for simulating flow in porous media with time-varying controls [0.0]
多孔質媒質中の二相流をシミュレートする物理インフォームド畳み込みニューラルネットワークを提案する。
有限体積スキームは流れの方程式を識別するために用いられる。
N ノイマン境界条件は半離散方程式にシームレスに組み込まれる。
論文 参考訳（メタデータ） (2023-10-10T05:29:33Z) - Diffusion Generative Flow Samplers: Improving learning signals through
partial trajectory optimization [87.21285093582446]
Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。
生成フローネットワーク(GFlowNets)のための理論から着想を得た。
論文 参考訳（メタデータ） (2023-10-04T09:39:05Z) - Value function estimation using conditional diffusion models for control [62.27184818047923]
拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。
拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。
本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
論文 参考訳（メタデータ） (2023-06-09T18:40:55Z) - Time-to-Green predictions for fully-actuated signal control systems with
supervised learning [56.66331540599836]
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。
我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。
スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
論文 参考訳（メタデータ） (2022-08-24T07:50:43Z)
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。