論文の概要: Energy-based Regularization for Learning Residual Dynamics in Neural MPC for Omnidirectional Aerial Robots
- arxiv url: http://arxiv.org/abs/2604.14678v1
- Date: Thu, 16 Apr 2026 06:33:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-17 21:29:31.757311
- Title: Energy-based Regularization for Learning Residual Dynamics in Neural MPC for Omnidirectional Aerial Robots
- Title（参考訳）: 一方向空中ロボットのためのニューラルMPCにおける残留ダイナミクス学習のためのエネルギーベース正規化
- Abstract要約: 本稿では,ニューラルモデルのトレーニングに応用したエネルギーベース正規化損失関数を提案する。
本手法は, エネルギー正則化と最大15%のMAE低下により, 飛行安定性を暗黙的に向上させる。
- 参考スコア（独自算出の注目度）: 2.5784045169981336
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Data-driven Model Predictive Control (MPC) has lately been the core research subject in the field of control theory. The combination of an optimal control framework with deep learning paradigms opens up the possibility to accurately track control tasks without the need for complex analytical models. However, the system dynamics are often nuanced and the neural model lacks the potential to understand physical properties such as inertia and conservation of energy. In this work, we propose a novel energy-based regularization loss function which is applied to the training of a neural model that learns the residual dynamics of an omnidirectional aerial robot. Our energy-based regularization encourages the neural network to cause control corrections that stabilize the energy of the system. The residual dynamics are integrated into the MPC framework and improve the positional mean absolute error (MAE) over three real-world experiments by 23% compared to an analytical MPC. We also compare our method to a standard neural MPC implementation without regularization and primarily achieve a significantly increased flight stability implicitly due to the energy regularization and up to 15% lower MAE. Our code is available under: https://github.com/johanneskbl/jsk_aerial_robot/tree/develop/neural_MPC.
- Abstract（参考訳）: データ駆動型モデル予測制御(MPC)は近年、制御理論の分野における中核的な研究課題となっている。
最適な制御フレームワークとディープラーニングのパラダイムを組み合わせることで、複雑な分析モデルを必要としない制御タスクを正確に追跡することが可能になる。
しかし、系の力学はしばしばニュアンス化されており、ニューラルモデルは慣性やエネルギーの保存といった物理的性質を理解する能力に欠ける。
本研究では,一方向空中ロボットの残留力学を学習するニューラルモデルのトレーニングに応用した,エネルギーベース正規化損失関数を提案する。
我々のエネルギーベースの正規化は、システムのエネルギーを安定させる制御補正をニューラルネットワークに起こさせる。
残留力学は、MPCフレームワークに統合され、3つの実世界の実験よりも23%の精度で位置平均絶対誤差(MAE)を改善する。
また,本手法を正則化のない標準的なニューラルネットワークMPC実装と比較し,エネルギー正則化と最大15%低いMAEによる飛行安定性の向上を主目的とした。
私たちのコードは、https://github.com/johanneskbl/jsk_aerial_robot/tree/develop/neural_MPCで利用可能です。
関連論文リスト
- TIDE: Asymmetric Neural Circuits for Stabilized Temporal Inhibitory-Excitatory Dynamics [51.37317469455798]
最近のContinuous Thought Machineアーキテクチャは、ニューラルダイナミクスを介して外部入力から内部計算を分離している。
非対称な興奮抑制(E-I)ネットワークを用いたニューラルダイナミクスのモデル化を提案する。
本稿では、神経力学を安定化させて内部表現を計算する、神経に触発されたアーキテクチャであるTIDE(Temporal Inhibitory-Excitatory Dynamic Engine)を紹介する。
論文 参考訳（メタデータ） (2026-05-19T05:59:13Z) - HybridMimic: Hybrid RL-Centroidal Control for Humanoid Motion Mimicking [3.446278503007937]
HybridMimicは、学習ポリシーがセントロイドモデルベースのコントローラを動的に変調するフレームワークである。
最先端のRLベースラインと比較して平均ベース位置追跡誤差を13%削減する。
論文 参考訳（メタデータ） (2026-03-06T17:58:02Z) - Boosting Reservoir Computing with Brain-inspired Adaptive Dynamics [0.0]
貯留層コンピュータ (RC) は深層学習に代わる計算効率の良い代替手段を提供する。
その結果, RCはバランスのとれたり, わずかに過剰に抑制されたりすることで, 優れた性能を発揮することがわかった。
本稿では,E/Iバランスを局所的に調整し,標的ニューロンの発射速度を達成する自己適応機構を提案する。
論文 参考訳（メタデータ） (2025-04-16T20:36:08Z) - Reservoir computing for system identification and predictive control with limited data [3.1484174280822845]
我々は、ベンチマーク制御システムの力学を学習し、モデル予測制御(MPC)の代理モデルとして機能するRNN変種の評価を行う。
エコー状態ネットワーク(ESN)は、計算複雑性の低減、より有効な予測時間、MPC目的関数のコスト削減など、競合するアーキテクチャよりも様々な利点がある。
論文 参考訳（メタデータ） (2024-10-23T21:59:07Z) - Dropout MPC: An Ensemble Neural MPC Approach for Systems with Learned Dynamics [0.0]
そこで本研究では,モンテカルロのドロップアウト手法を学習システムモデルに応用した,サンプリングベースアンサンブルニューラルMPCアルゴリズムを提案する。
この手法は一般に複雑な力学を持つ不確実なシステムを対象としており、第一原理から派生したモデルは推論が難しい。
論文 参考訳（メタデータ） (2024-06-04T17:15:25Z) - Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model Predictive Control [46.81433026280051]
本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。
我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
論文 参考訳（メタデータ） (2022-10-23T00:45:05Z) - The least-control principle for learning at equilibrium [65.2998274413952]
我々は、平衡反復ニューラルネットワーク、深層平衡モデル、メタラーニングを学ぶための新しい原理を提案する。
私たちの結果は、脳がどのように学習するかを明らかにし、幅広い機械学習問題にアプローチする新しい方法を提供します。
論文 参考訳（メタデータ） (2022-07-04T11:27:08Z) - 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) - Credit Assignment in Neural Networks through Deep Feedback Control [59.14935871979047]
ディープフィードバックコントロール(Deep Feedback Control, DFC)は、フィードバックコントローラを使用して、望ましい出力ターゲットにマッチするディープニューラルネットワークを駆動し、クレジット割り当てに制御信号を使用する新しい学習方法である。
学習規則は空間と時間において完全に局所的であり、幅広い接続パターンに対するガウス・ニュートンの最適化を近似する。
さらに,DFCと皮質錐体ニューロンのマルチコンパートメントモデルと,局所的な電圧依存性のシナプス可塑性規則を関連づける。
論文 参考訳（メタデータ） (2021-06-15T05:30:17Z) - Forced Variational Integrator Networks for Prediction and Control of
Mechanical Systems [7.538482310185133]
強制的変動積分器ネットワーク(FVIN)アーキテクチャにより,エネルギー散逸と外部強制を正確に考慮できることを示す。
これにより、高データ効率のモデルベース制御が可能となり、実際の非保守的なシステムで予測できる。
論文 参考訳（メタデータ） (2021-06-05T21:39:09Z) - Spherical Motion Dynamics: Learning Dynamics of Neural Network with
Normalization, Weight Decay, and SGD [105.99301967452334]
SMD (Spherical Motion Dynamics) と名付けられた, 正規化, 重崩壊 (WD) , SGD (運動量) を伴うニューラルネットワークの学習力学について述べる。
我々は,ImageNet や MSCOCO など様々なコンピュータビジョンタスクにおける仮定と理論的結果を標準設定で検証する。
論文 参考訳（メタデータ） (2020-06-15T14:16:33Z) - Information Theoretic Model Predictive Q-Learning [64.74041985237105]
本稿では,情報理論的MPCとエントロピー正規化RLとの新たな理論的関連性を示す。
バイアスモデルを利用したQ-ラーニングアルゴリズムを開発した。
論文 参考訳（メタデータ） (2019-12-31T00:29:22Z)
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。