論文の概要: Adversarial Sensor Errors for Safe and Robust Wind Turbine Fleet Control

• arxiv url: http://arxiv.org/abs/2604.08750v1
• Date: Thu, 09 Apr 2026 20:26:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.570847
• Title: Adversarial Sensor Errors for Safe and Robust Wind Turbine Fleet Control
• Title（参考訳）: 安全かつロバストな風車艦隊制御のための逆センサ誤差
• Authors: Julian Quick, Marcus Binder Nilsen, Andreas Bechmann, Tran Nguyen Le, Pierre-Elouan Mikael Rethore,
• Abstract要約: プラントレベルの制御は、チャンスと挑戦を示す新しい風力エネルギー技術である。 測定エラーがプロセスに干渉するリスクや、中央コントローラから受信したテレメトリ信号をハッカーが変更するリスクがある。 本報告では, 環境に配慮した対向エージェントを用いて, 安全なプラント制御装置を開発するための枠組みについて述べる。
• 参考スコア（独自算出の注目度）: 0.14680035572775532
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Plant-level control is an emerging wind energy technology that presents opportunities and challenges. By controlling turbines in a coordinated manner via a central controller, it is possible to achieve greater wind power plant efficiency. However, there is a risk that measurement errors will confound the process, or even that hackers will alter the telemetry signals received by the central controller. This paper presents a framework for developing a safe plant controller by training it with an adversarial agent designed to confound it. This necessitates training the adversary to confound the controller, creating a sort of circular logic or "Arms Race." This paper examines three broad training approaches for co-training the protagonist and adversary, finding that an Arms Race approach yields the best results. These initial results indicate that the Arms Race adversarial training reduced worst-case performance degradation from 39% power loss to 7.9% power gain relative to a baseline operational strategy.
• Abstract（参考訳）: プラントレベルの制御は、チャンスと挑戦を示す新しい風力エネルギー技術である。 タービンを中央制御器を介して協調的に制御することにより、より優れた風力発電プラント効率を実現することができる。 しかし、測定エラーがプロセスに干渉するリスクや、ハッカーが中央コントローラから受信したテレメトリ信号を変更するリスクがある。 本報告では, 環境に配慮した対向エージェントを用いて, 安全なプラント制御装置を開発するための枠組みについて述べる。 これは、敵がコントローラを混乱させるよう訓練し、一種の循環論理や"Arms Race"を作成する必要がある。 本稿では,3つの広義の訓練手法について検討し,Arms Raceアプローチが最良の結果をもたらすことを確かめた。 これらの初期の結果は、Arms Raceの敵戦訓練により、最低ケースの性能低下が39%の損失から7.9%のパワーゲインに減少したことを示唆している。

関連論文リスト

• Secure Control Systems for Autonomous Quadrotors against Cyber-Attacks [0.0]
  本研究はまず,自律型四元系のためのインテリジェント制御系を設計する。 最先端のディープラーニングに基づく手法を用いて、最適な偽データ注入攻撃方式を提案する。 私たちは最近、自律的な設定のためにデプロイされた最先端の4倍体であるAgiliciousをベースとしています。
  論文  参考訳（メタデータ） (2024-09-18T11:43:07Z)
• Why Change Your Controller When You Can Change Your Planner: Drag-Aware Trajectory Generation for Quadrotor Systems [10.101847906979435]
  輸送ペイロードからの非モデル化された空気力学的抵抗力は破滅的な結果をもたらす可能性がある。 制御器の固定を保ちながら軌道生成部品を適応させることで軌道追跡を改善できると主張している。 シミュレーションとハードウェアプラットフォームCrzyflieで行った実験では、プランナーの変更によってトラッキングエラーが最大83%削減された。
  論文  参考訳（メタデータ） (2024-01-10T07:00:07Z)
• Reaching the Limit in Autonomous Racing: Optimal Control versus Reinforcement Learning [66.10854214036605]
  ロボット工学における中心的な問題は、アジャイルなモバイルロボットの制御システムをどうやって設計するかである。 本稿では、強化学習(RL)で訓練されたニューラルネットワークコントローラが最適制御(OC)法より優れていることを示す。 その結果、アジャイルドローンを最大性能に押し上げることができ、最大加速速度は重力加速度の12倍以上、ピーク速度は時速108kmに達しました。
  論文  参考訳（メタデータ） (2023-10-17T02:40:27Z)
• A Reinforcement Learning Approach for Robust Supervisory Control of UAVs Under Disturbances [1.8799681615947088]
  無人航空機(UAV)の監視強化学習制御手法を提案する。 我々は,既存の組込み制御と交差する監視制御アーキテクチャを定式化し,悪風の形での環境障害に対する堅牢性を示す。
  論文  参考訳（メタデータ） (2023-05-21T19:00:06Z)
• Skip Training for Multi-Agent Reinforcement Learning Controller for Industrial Wave Energy Converters [94.84709449845352]
  近年のウェーブ・エナジー・コンバータ(WEC)は、発電を最大化するために複数の脚と発電機を備えている。 従来のコントローラは複雑な波のパターンを捕捉する制限を示しており、コントローラはエネルギー捕獲を効率的に最大化する必要がある。 本稿では,従来のスプリングダンパよりも優れたマルチエージェント強化学習コントローラ(MARL)を提案する。
  論文  参考訳（メタデータ） (2022-09-13T00:20:31Z)
• Improving Robustness of Reinforcement Learning for Power System Control with Adversarial Training [71.7750435554693]
  電力系統制御のために提案された最先端のRLエージェントが敵攻撃に対して脆弱であることを示す。 具体的には、敵のマルコフ決定プロセスを用いて攻撃方針を学習し、攻撃の有効性を実証する。 本稿では,RLエージェントの攻撃に対する堅牢性を高め,実行不可能な運用上の決定を回避するために,敵の訓練を利用することを提案する。
  論文  参考訳（メタデータ） (2021-10-18T00:50:34Z)
• Learning a Contact-Adaptive Controller for Robust, Efficient Legged Locomotion [95.1825179206694]
  四足歩行ロボットのためのロバストコントローラを合成するフレームワークを提案する。 高レベルコントローラは、環境の変化に応じてプリミティブのセットを選択することを学習する。 確立された制御方法を使用してプリミティブを堅牢に実行する低レベルコントローラ。
  論文  参考訳（メタデータ） (2020-09-21T16:49:26Z)

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。