論文の概要: A Dynamic-Growing Fuzzy-Neuro Controller, Application to a 3PSP Parallel Robot

• arxiv url: http://arxiv.org/abs/2604.13763v1
• Date: Wed, 15 Apr 2026 11:48:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.516057
• Title: A Dynamic-Growing Fuzzy-Neuro Controller, Application to a 3PSP Parallel Robot
• Title（参考訳）: 3PSPパラレルロボットへのダイナミックグルーピングファジィネウロ制御系の適用
• Authors: Mohsen Jalaeian-Farimani, Mohammad-R Akbarzadeh-T, Alireza Akbarzadeh, Mostafa Ghaemi,
• Abstract要約: ファジィシステムとニューラルネットワークの自己組織化の組み合わせは、強力な意思決定システムを作ることができる。 そこで,動的成長ファジィニューラルコントローラ(DGFNC)を適応戦略と組み合わせ,3PSP並列ロボット位置制御問題に適用する。
• 参考スコア（独自算出の注目度）: 7.116403133334644
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: To date, various paradigms of soft-Computing have been used to solve many modern problems. Among them, a self organizing combination of fuzzy systems and neural networks can make a powerful decision making system. Here, a Dynamic Growing Fuzzy Neural Controller (DGFNC) is combined with an adaptive strategy and applied to a 3PSP parallel robot position control problem. Specifically, the dynamic growing mechanism is considered in more detail. In contrast to other self-organizing methods, DGFNC adds new rules more conservatively; hence the pruning mechanism is omitted. Instead, the adaptive strategy 'adapts' the control system to parameter variation. Furthermore, a sliding mode-based nonlinear controller ensures system stability. The resulting general control strategy aims to achieve faster response with less computation while maintaining overall stability. Finally, the 3PSP is chosen due to its complex dynamics and the utility of such approaches in modern industrial systems. Several simulations support the merits of the proposed DGFNC strategy as applied to the 3PSP robot.
• Abstract（参考訳）: これまで、ソフトコンピューティングの様々なパラダイムは、多くの現代の問題を解決するために用いられてきた。 それらの中で、ファジィシステムとニューラルネットワークの自己組織化の組み合わせは、強力な意思決定システムを作ることができる。 そこで,動的成長ファジィニューラルコントローラ(DGFNC)を適応戦略と組み合わせ,3PSP並列ロボット位置制御問題に適用する。 具体的には、動的成長機構をより詳細に検討する。 他の自己組織化法とは対照的に、DGFNCは新しい規則をより保守的に追加するので、刈り取り機構は省略される。 代わりに、適応戦略は制御システムをパラメータの変動に適応させる。 さらに、スライディングモードベースの非線形コントローラはシステムの安定性を保証する。 結果として得られる汎用制御戦略は、全体的な安定性を維持しながら、少ない計算でより高速な応答を実現することを目的としている。 最後に、3PSPは、その複雑な力学と、現代の産業システムにおけるそのようなアプローチの有用性のために選択される。 いくつかのシミュレーションは、3PSPロボットに適用された提案されたDGFNC戦略の利点を支持する。

関連論文リスト

• Model-based Optimal Control for Rigid-Soft Underactuated Systems [8.552556328397673]
  本研究は,非作動型ソフトシステム(ダイレクトコロケーション,動的微分プログラミング,モデル予測制御)の3つの最適制御戦略について検討する。 厳密な連続力学と制約された運動に対処するために、暗黙の統合スキームとウォームスタート戦略を用いて数値ロバスト性と計算効率を向上させる。 これらの手法は, ソフトカートポール, ソフトペンデュボット, ソフトフルタペンデュラムの3種類のソフトベンチマークシステムにおいて, 性能と計算上のトレードオフを強調したシミュレーションで評価された。
  論文  参考訳（メタデータ） (2026-02-03T11:59:36Z)
• Model-based controller assisted domain randomization in deep reinforcement learning: application to nonlinear powertrain control [0.0]
  本研究では, 深部強化学習(DRL)の枠組みを用いた新しいロバスト制御手法を提案する。 問題設定は、不確実性と非線形性を考慮した制御系に対して、バニラMDPの集合である潜在マルコフ決定プロセス(LMDP)を介してモデル化される。 従来のDRLベースの制御と比較して、提案するコントローラ設計はより賢く、高度な一般化能力を実現することができる。
  論文  参考訳（メタデータ） (2025-04-28T12:09:07Z)
• Neural Internal Model Control: Learning a Robust Control Policy via Predictive Error Feedback [16.46487826869775]
  本稿では,モデルベース制御とRLベース制御を統合し,ロバスト性を高めるニューラル内部モデル制御を提案する。 我々のフレームワークは、剛体力学にニュートン・オイラー方程式を適用することで予測モデルを合理化し、複雑な高次元非線形性を捉える必要がなくなる。 本研究では,四足歩行ロボットと四足歩行ロボットにおけるフレームワークの有効性を実証し,最先端の手法と比較して優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-11-20T07:07:42Z)
• Iterative Learning Control of Fast, Nonlinear, Oscillatory Dynamics (Preprint) [0.0]
  非線形でカオス的で、しばしばアクティブな制御方式では速すぎる。 そこで我々は,反復的,軌道最適化,パラメータ調整による代替能動制御システムを開発した。 特定の要件を満たす限り、コントローラは情報不足や制御不能なパラメータに対して堅牢であることを示す。
  論文  参考訳（メタデータ） (2024-05-30T13:27:17Z)
• Parameter-Adaptive Approximate MPC: Tuning Neural-Network Controllers without Retraining [50.00291020618743]
  この研究は、大規模なデータセットを再計算し、再トレーニングすることなくオンラインチューニングが可能な、新しいパラメータ適応型AMPCアーキテクチャを導入している。 資源制約の厳しいマイクロコントローラ(MCU)を用いた2種類の実カートポールシステムの揺らぎを制御し,パラメータ適応型AMPCの有効性を示す。 これらの貢献は、現実世界のシステムにおけるAMPCの実践的応用に向けた重要な一歩である。
  論文  参考訳（メタデータ） (2024-04-08T20:02:19Z)
• Policy Search for Model Predictive Control with Application to Agile Drone Flight [56.24908013905407]
  MPCのためのポリシ・フォー・モデル・予測制御フレームワークを提案する。 具体的には、パラメータ化コントローラとしてMPCを定式化し、パラメータ化の難しい決定変数を高レベルポリシーとして表現する。 シミュレーションと実環境の両方において,我々の制御器が堅牢かつリアルタイムに制御性能を発揮することを示す実験を行った。
  論文  参考訳（メタデータ） (2021-12-07T17:39:24Z)
• Non-stationary Online Learning with Memory and Non-stochastic Control [71.14503310914799]
  我々は,過去の決定に依拠する損失関数を許容するメモリを用いたオンライン凸最適化(OCO)の問題について検討する。 本稿では,非定常環境に対してロバストなアルゴリズムを設計するための性能指標として,動的ポリシーの後悔を紹介する。 我々は,時間的地平線,非定常度,メモリ長といった面で,最適な動的ポリシーの後悔を確実に享受するメモリ付きOCOの新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-07T09:45:15Z)
• Learning High-Level Policies for Model Predictive Control [54.00297896763184]
  Model Predictive Control (MPC)は、ロボット制御タスクに対する堅牢なソリューションを提供する。 ニューラルネットワークの高レベルポリシーを学習するための自己教師付き学習アルゴリズムを提案する。 提案手法は, 標準的なMPCでは困難な状況に対処できることを示す。
  論文  参考訳（メタデータ） (2020-07-20T17:12:34Z)

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。