論文の概要: Bilinear Mamba-Koopman Neural MPC for Varying Dynamics

• arxiv url: http://arxiv.org/abs/2605.04793v1
• Date: Wed, 06 May 2026 11:44:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.797637
• Title: Bilinear Mamba-Koopman Neural MPC for Varying Dynamics
• Title（参考訳）: バイリニア型マンバ・クープマンニューラルMPC
• Abstract要約: 潜在力学における制御依存結合を導入した最小拡張であるBilinear Mamba-Koopman Neural MPCを提案する。 制御依存型潜伏力学は, 様々な条件下で頑健なMPCを実現する上で, シンプルかつ効果的であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Koopman-based neural MPC models generate time-varying dynamics from historical data, but preserve convexity by enforcing that the system operator is independent of the current control input. This conditional independence constraint limits adaptation to changing dynamics within a single MPC horizon, particularly under time-varying conditions and under stale-plan execution. We propose Bilinear Mamba-Koopman Neural MPC, a minimal extension that introduces control-dependent coupling in the latent dynamics, allowing the effective operator to adapt to the current input. The resulting model is a strict generalization of the standard linear, conditional-independence formulation, adds less than 1% parameters through a low-rank structure, and admits exact model Jacobians that enable efficient Sequential Convex Programming (SCP) with monotone-descent and KKT convergence results under standard trust-region assumptions. Across CartPole and RSCP benchmarks in time-invariant and time-varying regimes, the proposed model matches or improves forecasting accuracy on every cell when training noise is averaged out, with strict gains where control-state coupling is structurally present. Its main closed-loop gains appear in the RSCP TV task, where iterative SCP improves adaptation within the horizon and substantially stabilizes training; in CartPole TV, the gains are modest but consistent. In delayed re-planning experiments on the time-varying variants, the bilinear model degrades more gracefully under stale-plan execution, maintaining a consistent advantage on CartPole TV and a substantially larger robustness margin on RSCP TV. These results show that control-dependent latent dynamics provide a simple and effective mechanism for robust MPC under varying conditions.
• Abstract（参考訳）: クープマンベースのニューラルMPCモデルは、履歴データから時間変化のダイナミクスを生成するが、システムオペレータが現在の制御入力から独立していることを強制することによって凸性を維持する。 この条件付き独立制約は、1つのMPC水平線における動的変化への適応を制限する。 本稿では, 線形マンバ・クープマンニューラルMPCを提案する。これは最小限の拡張であり, 潜在力学における制御依存結合を導入し, 実効演算子が現在の入力に適応できるようにする。 結果として得られるモデルは、標準線形の条件付き独立性定式化の厳密な一般化であり、低ランク構造を通して1%未満のパラメータを追加し、標準信頼領域の仮定の下で単調・短周期およびKKT収束結果を持つ効率的な逐次凸計画(SCP)を実現する正確なモデルヤコビアンを許容する。 CartPole と RSCP のベンチマークでは,トレーニングノイズが平均出力されたときのセルごとの予測精度と,制御状態の結合が構造的に存在する場合の厳密な利得を一致または改善する。 RSCP TVタスクでは、繰り返しSCPが水平線内の適応を改善し、トレーニングを大幅に安定化する。 時間変化のバリエーションに関する遅延計画実験では、双線形モデルは古い計画実行下でより優雅に劣化し、CartPole TVでは一貫した優位性を維持し、RSCP TVではかなり大きなロバスト性マージンを維持した。 これらの結果から, 制御依存型潜伏力学は, 様々な条件下で頑健なMPCを実現する上で, 単純かつ効果的であることが示された。

関連論文リスト

• When Does Scale-Invariant Optimization Become Unstable? An Exact Schedule Law with Weight Decay [6.625270757109195]
  標準成長は、反対の幾何学的自己整合効果を誘導する一方、1つの量で全てのスケジュールと崩壊の強制を捉えていることを示す。 これは、収縮と拡張が支配する効果的な学習率体制をきれいに分離する鋭い境界をもたらす。
  論文  参考訳（メタデータ） (2026-09-08T17:46:17Z)
• T2S-MPC: Time-Embedded Online Adaptive Model Predictive Control for Time-Varying Dynamics [13.470078340745808]
  オンライン上で残留力学モデルを適応的に学習し,MPCフレームワーク内の名目モデルと統合するフレームワークであるT2S-MPCを提案する。 可変時間外乱下での安定化・軌跡追従作業における2次元四重極体に対する提案手法の評価を行った。 実験結果から,T2S-MPCは従来型MPC,神経型MPC,アブレーション型をコントロール性能において一貫して優れていた。
  論文  参考訳（メタデータ） (2026-05-24T04:00:52Z)
• Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
  マルチモーダル学習は、しばしば低品質データの課題に悩まされる。 コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。 私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-05-05T14:48:52Z)
• RK-MPC: Residual Koopman Model Predictive Control for Quadruped Locomotion in Offroad Environments [1.4610038284393168]
  Residual Koopman MPC (RK-MPC) はデータ駆動型モデル予測制御フレームワークである。 RK-MPCは、昇降座標のデータから学習したコンパクトな線形残留予測器を備えた名目テンプレートモデルを強化する。 RK-MPCは、非構造化環境における四重項のデータ駆動予測制御のための実用的なハードウェア検証経路を提供する。
  論文  参考訳（メタデータ） (2026-04-05T18:43:23Z)
• An Optimal Control Approach To Transformer Training [7.136933021609078]
  重要な構造的制約を尊重するトランスフォーマートレーニングに対する厳密な最適制御理論アプローチを開発する。 確率測度に引き上げることによって、完全に観測されたマルコフ決定過程(MDP)が生成されることを示す。 トランスフォーマーを訓練するために,状態空間,確率測度,行動空間を定量化することにより,昇降型MDPの3次元量子化訓練手順を提案する。
  論文  参考訳（メタデータ） (2026-03-10T12:17:48Z)
• Adaptive Linear Path Model-Based Diffusion [52.84663832658799]
  リニアパスモデルベース拡散(LP-MBD)を導入し、分散保存スケジュールをフローマッチング線形確率パスに置き換える。 また,適応型LP-MBD(ALP-MBD)を提案し,タスクの複雑さや環境条件に応じて拡散ステップやノイズレベルを調整する。
  論文  参考訳（メタデータ） (2026-02-02T21:33:03Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Amortized Control of Continuous State Space Feynman-Kac Model for Irregular Time Series [14.400596021890863]
  医療、気候、経済などの現実世界のデータセットは、しばしば不規則な時系列として収集される。 本稿では,連続状態空間モデル (ACSSM) を時系列の連続的動的モデリングに用いるためのアモータイズ制御を提案する。
  論文  参考訳（メタデータ） (2024-10-08T01:27:46Z)
• 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)
• Towards Continual Learning Desiderata via HSIC-Bottleneck Orthogonalization and Equiangular Embedding [55.107555305760954]
  本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。 提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
  論文  参考訳（メタデータ） (2024-01-17T09:01:29Z)
• End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
  本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。 エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-03T10:21:53Z)
• 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。