Fugu-MT 論文翻訳(概要): Physics-Informed Neural Optimal Control for Precision Immobilization Technique in Emergency Scenarios

論文の概要: Physics-Informed Neural Optimal Control for Precision Immobilization Technique in Emergency Scenarios

arxiv url: http://arxiv.org/abs/2604.05758v1
Date: Tue, 07 Apr 2026 12:01:12 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-08 17:42:09.80012
Title: Physics-Informed Neural Optimal Control for Precision Immobilization Technique in Emergency Scenarios
Title（参考訳）: 物理インフォームドニューラル最適制御による緊急シナリオの高精度固定化
Authors: Yangye Jiang, Jiachen Wang, Daofei Li,
Abstract要約: 精密固定化技術 (Precision Immobilization Technique, PIT) は、緊急の制御不能車両に対する効果的な介入操作である。この研究は、PicoPINNを中心に構築されたPIT指向のニューラル最適制御フレームワークを示す。
参考スコア（独自算出の注目度）: 10.27196436540399
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Precision Immobilization Technique (PIT) is a potentially effective intervention maneuver for emergency out-of-control vehicle, but its automation is challenged by highly nonlinear collision dynamics, strict safety constraints, and real-time computation requirements. This work presents a PIT-oriented neural optimal-control framework built around PicoPINN (Planning-Informed Compact Physics-Informed Neural Network), a compact physics-informed surrogate obtained through knowledge distillation, hierarchical parameter clustering, and relation-matrix-based parameter reconstruction. A hierarchical neural-OCP (Optimal Control Problem) architecture is then developed, in which an upper virtual decision layer generates PIT decision packages under scenario constraints and a lower coupled-MPC (Model Predictive Control) layer executes interaction-aware control. To evaluate the framework, we construct a PIT Scenario Dataset and conduct surrogate-model comparison, planning-structure ablation, and multi-fidelity assessment from simulation to scaled by-wire vehicle tests. In simulation, adding the upper planning layer improves PIT success rate from 63.8% to 76.7%, and PicoPINN reduces the original PINN parameter count from 8965 to 812 and achieves the smallest average heading error among the learned surrogates (0.112 rad). Scaled vehicle experiments are further used as evidence of control feasibility, with 3 of 4 low-speed controllable-contact PIT trials achieving successful yaw reversal.
Abstract（参考訳）: PIT(Precision Immobilization Technique)は、緊急時の制御不能車両に対する効果的な介入操作であるが、その自動化には、非常に非線形な衝突ダイナミクス、厳格な安全制約、リアルタイムな計算要件が欠かせない。本研究では,PicoPINN(Planning-Informed Compact Physics-Informed Neural Network)を中心に構築されたPIT指向神経最適制御フレームワークを提案する。次に、上位仮想決定層がシナリオ制約の下でPIT決定パッケージを生成し、下位結合MPC(Model Predictive Control)層が相互作用認識制御を実行する階層的ニューラルネットワークOCPアーキテクチャを開発する。このフレームワークを評価するために,PITシナリオデータセットを構築し,サロゲートモデルの比較,計画構造アブレーション,シミュレーションによる多面的評価を行った。シミュレーションでは、上位計画層の追加はPIT成功率を63.8%から76.7%に改善し、PicoPINNは元のPINNパラメータ数を8965から812に削減し、学習したサロゲート(0.112 rad)の中で最小の平均方向誤差を達成する。スケールされた車両実験は制御可能性の証拠としてさらに使用され、4つの低速制御可能なPIT試験のうち3つはヨー逆転に成功した。

関連論文リスト

Predictive Control with Indirect Adaptive Laws for Payload Transportation by Quadrupedal Robots [36.62645789321095]
本稿では,四足歩行ロボットによるロバストペイロード輸送のための新しい階層的計画と制御フレームワークを開発する。間接アダプティブ法則は、異なるペイロードの下での縮小順序(テンポレート)移動モデルの未知のパラメータを推定する。ロボットは、荒れた地形で重量の73%のダイナミックペイロードをうまく管理する。
論文参考訳（メタデータ） (2026-03-09T18:43:31Z)
Hybrid Model Predictive Control with Physics-Informed Neural Network for Satellite Attitude Control [2.7222301668137483]
信頼性の高い宇宙船の姿勢制御は、姿勢力学の正確な予測に依存する。複雑な力学を持つ宇宙船では、正確な物理モデルを得るのは難しい、時間を要する、あるいは計算的に重い。本研究では、宇宙船の姿勢力学をモデル化するための物理情報ニューラルネットワーク(PINN)について検討する。
論文参考訳（メタデータ） (2026-02-17T19:08:48Z)
Sim-to-Real Transfer of Adaptive Control Parameters for AUV Stabilization under Current Disturbance [1.099532646524593]
本稿では,最大エントロピー深層強化学習フレームワークを古典的なモデルベース制御アーキテクチャと組み合わせ,適応制御系を定式化する新しい手法を提案する。本フレームワークでは,バイオインスパイアされた体験再生機構,拡張されたドメインランダム化手法,物理プラットフォーム上で実行される評価プロトコルなどを含むSim-to-Real転送戦略を導入する。実験により,AUVの準最適モデルから有能なポリシを効果的に学習し,実車への移動時の制御性能を3倍に向上することを示した。
論文参考訳（メタデータ） (2023-10-17T08:46:56Z)
Introducing a Deep Neural Network-based Model Predictive Control Framework for Rapid Controller Implementation [41.38091115195305]
本研究は、HCCI燃焼制御のためのディープニューラルネットワーク(DNN)に基づく非線形MPCの実験的実装を示す。 ARM Cortex A72上のMPCのリアルタイム実装を可能にするために、Acadosソフトウェアパッケージを使用することで、最適化計算は1.4ms以内で完了する。現像した制御器のIMEP軌道は, プロセス制約の観測に加えて, 根平均2乗誤差0.133バールで良好であった。
論文参考訳（メタデータ） (2023-10-12T15:03:50Z)
Sub-linear Regret in Adaptive Model Predictive Control [56.705978425244496]
本稿では,STT-MPC (Self-Tuning tube-based Model Predictive Control) について述べる。システム力学を最初に認識したアルゴリズムと比較して,アルゴリズムの後悔を解析する。
論文参考訳（メタデータ） (2023-10-07T15:07:10Z)
RAMP-Net: A Robust Adaptive MPC for Quadrotors via Physics-informed Neural Network [6.309365332210523]
本稿では、単純なODEとデータの一部をトレーニングしたニューラルネットワークを用いて、PINN(RAMP-Net)を介してロバスト適応MPCフレームワークを提案する。我々は,SOTA回帰に基づく2つのMPC法と比較して,0.5～1.75m/sの追跡誤差を7.8%から43.2%,8.04%から61.5%削減した。
論文参考訳（メタデータ） (2022-09-19T16:11:51Z)
Real-time Neural-MPC: Deep Learning Model Predictive Control for Quadrotors and Agile Robotic Platforms [59.03426963238452]
モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
論文参考訳（メタデータ） (2022-03-15T09:38:15Z)
Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文参考訳（メタデータ） (2021-08-09T08:45:47Z)
Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
論文参考訳（メタデータ） (2021-06-15T17:22:59Z)
Edge Federated Learning Via Unit-Modulus Over-The-Air Computation (Extended Version) [64.76619508293966]
本稿では,効率の良いエッジフェデレーション学習を実現するために,UM-AirCompフレームワークを提案する。ローカルモデルパラメータを同時にアップロードし、アナログビームフォーミングを通じてグローバルモデルパラメータを更新する。車両間自動運転シミュレーションプラットフォームにおけるUM-AirCompの実装を実演する。
論文参考訳（メタデータ） (2021-01-28T15:10:22Z)
Gaussian Process-based Min-norm Stabilizing Controller for Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
論文参考訳（メタデータ） (2020-11-14T01:27:32Z)

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。