Fugu-MT 論文翻訳(概要): Model-Reference Adaptive Flight Control of the 95-mg Bee++

論文の概要: Model-Reference Adaptive Flight Control of the 95-mg Bee++

arxiv url: http://arxiv.org/abs/2605.08525v1
Date: Fri, 08 May 2026 22:16:35 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-19 15:14:56.758298
Title: Model-Reference Adaptive Flight Control of the 95-mg Bee++
Title（参考訳）: 95-mg Bee++のモデル参照適応飛行制御
Authors: Francisco M. F. R. Gonçalves, Conor K. Trygstad, Néstor O. Pérez-Arancibia,
Abstract要約: そこで本研究では,95 mg の昆虫型羽ばたき翼航空機 Bee++ の高速位置追跡のためのモデル参照適応制御アーキテクチャを提案する。提案手法の適合性,機能,高性能性を実時間飛行実験のデータを用いて実証した。
参考スコア（独自算出の注目度）: 2.580765958706854
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We introduce a model-reference adaptive control (MRAC) architecture for high-performance positional tracking of the Bee++, a 95-mg insect-scale flapping-wing aerial vehicle. The suitability, functionality, and high performance of the proposed approach are demonstrated using data from real-time flight experiments.
Abstract（参考訳）: 本稿では,95 mg の昆虫型羽ばたき翼航空機 Bee++ の高速位置追跡のためのMRACアーキテクチャを提案する。提案手法の適合性,機能,高性能性を実時間飛行実験のデータを用いて実証した。

関連論文リスト

Robust Adaptive Predictive Control for Hook-Based Aerial Transportation Between Moving Platforms [1.4592997284674396]
本稿では,フック付き空中マニピュレータを用いた移動プラットフォーム間の自律的ピック・アンド・プレイスのためのモデル予測制御(MPC)手法を提案する。提案手法の有効性は,複雑なシミュレーションシナリオや実世界の飛行実験で評価される。
論文参考訳（メタデータ） (2026-05-04T09:14:34Z)
ASCENT: Transformer-Based Aircraft Trajectory Prediction in Non-Towered Terminal Airspace [54.94692733670454]
ASCENTは、マルチモーダル3D航空機の軌道予測のための軽量トランスフォーマーベースのモデルである。ドメイン対応の3D座標正規化とパラメータ化予測を統合している。
論文参考訳（メタデータ） (2026-03-17T14:16:10Z)
LPV-MPC for Lateral Control in Full-Scale Autonomous Racing [9.974630621313315]
本稿では横方向制御のための線形変数モデル予測制御器(LPV-MPC)を提案する。本稿では, コントローラ設計, モデルパラメータ抽出手法, システムレベルおよび実装の重要事項について詳述する。最終レースの結果を報告し、総合的な車両動力学分析を提供する。
論文参考訳（メタデータ） (2026-03-14T03:39:07Z)
Spatially-Aware Adaptive Trajectory Optimization with Controller-Guided Feedback for Autonomous Racing [74.83272587893508]
本稿では,NURBSに基づく軌道表現,CMA-ESグローバル軌道最適化,コントローラ誘導空間フィードバックを組み合わせた自律レースライン最適化フレームワークを提案する。シミュレーションでは,最大静的加速度をパラメータ化したコントローラと比較して17.38%のラップタイム短縮を実現している。高摩擦から低摩擦まで様々なタイヤ化合物で試験された実ハードウェアでは、摩擦を明示的にパラメータ化することなく、7.60%のラップタイムの改善が得られる。
論文参考訳（メタデータ） (2026-02-17T15:10:44Z)
Angle Robustness Unmanned Aerial Vehicle Navigation in GNSS-Denied Scenarios [66.05091704671503]
本稿では、ポイントツーポイントナビゲーションタスクにおける飛行偏差に対処する新しい角度ナビゲーションパラダイムを提案する。また、Adaptive Feature Enhance Module、Cross-knowledge Attention-guided Module、Robust Task-oriented Head Moduleを含むモデルを提案する。
論文参考訳（メタデータ） (2024-02-04T08:41:20Z)
Data-driven Nonlinear Model Reduction using Koopman Theory: Integrated Control Form and NMPC Case Study [56.283944756315066]
そこで本研究では,遅延座標符号化と全状態復号化を組み合わせた汎用モデル構造を提案し,Koopmanモデリングと状態推定を統合した。ケーススタディでは,本手法が正確な制御モデルを提供し,高純度極低温蒸留塔のリアルタイム非線形予測制御を可能にすることを実証している。
論文参考訳（メタデータ） (2024-01-09T11:54:54Z)
Benchmarking Model Predictive Control Algorithms in Building Optimization Testing Framework (BOPTEST) [40.17692290400862]
物理に基づく建築エミュレータのためのデータ駆動モデリングおよび制御フレームワークを提案する。 a)モデル評価を加速し、コスト効率の良い勾配を提供し、モデル予測制御(MPC)における後退地平線に対する良好な予測精度を維持する、微分可能な代理モデルのオフライントレーニング。ビルディング最適化テストフレームワーク(BOPTEST)で利用可能な様々なテストケースに対して、複数のサロゲートモデルと最適化フレームワークを用いて、モデリングと制御性能を広範囲に評価する。
論文参考訳（メタデータ） (2023-01-31T06:55:19Z)
ParticleAugment: Sampling-Based Data Augmentation [80.44268663372233]
モデルトレーニング中に最適な拡張ポリシーとスケジュールを求めるために,粒子フィルタリングの定式化を提案する。 CIFAR-10, CIFAR-100, ImageNetデータセットにおいて, 自動拡張のための定式化が有望な結果に達することを示す。
論文参考訳（メタデータ） (2021-06-16T10:56:02Z)
Safe and Efficient Model-free Adaptive Control via Bayesian Optimization [39.962395119933596]
適応制御のための純粋データ駆動型モデルフリーアプローチを提案する。システムデータのみに基づく低レベルコントローラのチューニングは、アルゴリズムの安全性と計算性能に懸念を生じさせる。我々は,提案手法がサンプル効率であり,安全性の観点から制約ベイズ最適化よりも優れており,グリッド評価によって計算された性能オプティマを達成することを数値的に示す。
論文参考訳（メタデータ） (2021-01-19T19:15:00Z)
Adaptive Optimal Trajectory Tracking Control Applied to a Large-Scale Ball-on-Plate System [0.0]
ADPを用いた大規模ボール・オン・プレートシステムのための最適軌道追従制御器を提案する。提案手法では,セットポイントトラッキングの代わりに参照軌道を近似し,一定のオフセット項を自動的に補償することができる。実験の結果, このトラッキング機構は, セットポイントコントローラに比べて制御コストを大幅に削減することがわかった。
論文参考訳（メタデータ） (2020-10-26T11:22:03Z)
Comparison of Model Predictive and Reinforcement Learning Methods for Fault Tolerant Control [2.524528674141466]
階層的強化学習に基づく離散時間系に対する2つの適応型耐故障制御方式を提案する。実験により、強化学習に基づく制御器は、故障下のモデル予測制御器、部分的に観測可能なシステムモデル、様々なセンサノイズレベルよりも堅牢に動作することが示されている。
論文参考訳（メタデータ） (2020-08-10T20:22:15Z)

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。