論文の概要: Learning Cross-Coupled and Regime Dependent Dynamics for Aerial Manipulation
- arxiv url: http://arxiv.org/abs/2605.14805v1
- Date: Thu, 14 May 2026 13:17:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-15 21:45:34.837284
- Title: Learning Cross-Coupled and Regime Dependent Dynamics for Aerial Manipulation
- Title（参考訳）: 空中マニピュレーションのためのクロスカップリングおよびレジーム依存ダイナミクスの学習
- Authors: Rishabh Dev Yadav, Samaksh Ujjawal, Sihao Sun, Spandan Roy, Wei Pan,
- Abstract要約: 空中マニピュレータにおける適応的残留力学学習のための構造化エンコーダデコーダフレームワークを提案する。
その結果、残差予測精度の向上、動作条件の変化による適応の高速化、MPCに基づく軌道追跡性能の向上が示された。
- 参考スコア（独自算出の注目度）: 3.247008128557575
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate dynamics models are critical for aerial manipulators operating under complex tasks such as payload transport. However, modeling these systems remains fundamentally challenging due to strong quadrotor-manipulator coupling, delayed aerodynamic interactions, and regime-dependent dynamics variations arising from payload changes and manipulator reconfiguration. These effects produce residual dynamics that are simultaneously cross-coupled, history-dependent, and nonstationary, causing both analytical models and purely offline learned models to degrade during deployment. To address these challenges, we propose a structured encoder-decoder framework for adaptive residual dynamics learning in aerial manipulators. The proposed nonlinear latent encoder captures cross-variable coupling and temporal dependencies from state-input histories, while a lightweight linear latent decoder enables online adaptation under regime-dependent nonstationary dynamics. The linear-in-parameter decoder structure permits closed-form Bayesian adaptation together with consistency-driven covariance inflation, enabling rapid and stable adaptation to both transient and slowly varying dynamics changes while remaining compatible with real-time model predictive control (MPC). Experimental results on a real aerial manipulation platform demonstrate improved residual prediction accuracy, faster adaptation under changing operating conditions, and enhanced MPC-based trajectory tracking performance. These results highlight the importance of jointly modeling coupled temporal dynamics and deployment-time nonstationarity for reliable aerial manipulation.
- Abstract（参考訳）: 正確な力学モデルは、ペイロード輸送のような複雑なタスクの下で作動する空中マニピュレータにとって重要である。
しかし、これらのシステムのモデリングは、強い四極子-マニピュレータ結合、遅延空力相互作用、ペイロードの変化とマニピュレータ再構成による状態依存性の変動などにより、基本的には困難である。
これらの効果は、クロスカップリング、履歴依存、非定常を同時に行う残留ダイナミクスを生成し、分析モデルと純粋にオフラインの学習モデルの両方がデプロイ中に劣化する。
これらの課題に対処するために,空中マニピュレータにおける適応的残留力学学習のための構造化エンコーダデコーダフレームワークを提案する。
提案した非線形潜伏復号器は、状態入力履歴からクロス変数結合と時間依存性を捕捉し、一方、軽量線形潜伏復号器は、状態依存非定常力学の下でのオンライン適応を可能にする。
線形パラメータデコーダ構造は、一貫性駆動の共分散インフレーションとともに閉形式ベイズ適応を許容し、リアルタイムモデル予測制御(MPC)との互換性を維持しながら、過渡的およびゆっくりと変化する動的変化への迅速かつ安定した適応を可能にする。
実空操作プラットフォームにおける実験結果から,残差予測精度の向上,動作条件の変化による適応の高速化,MPCに基づく軌道追跡性能の向上が示された。
これらの結果は、信頼性の高い航空操作において、時間的ダイナミクスとデプロイメント時の非定常性を結合的にモデル化することの重要性を強調している。
関連論文リスト
- Real-Time Projected Adaptive Control for Closed-Chain Co-Manipulative Continuum Robots [0.764671395172401]
協調操作型連続ロボット(CCR)では、複数の連続アームが共通の柔軟な物体をつかむことで協調する。
現実的なタスクでは、フレキシブルオブジェクトの物理パラメータはしばしば未知であり、操作によって異なる。
本稿では,動的レベルで定式化されたCCRの適応制御フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-05T22:03:23Z) - Learn Structure, Adapt on the Fly: Multi-Scale Residual Learning and Online Adaptation for Aerial Manipulators [2.376629619475859]
自律型空中マニピュレータ(AAM)は本質的に非定常・多スケール残留力学を示す非線形系である。
本稿では,AAMにおけるリアルタイム残差モデリングと補償のための予測適応フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-12T08:02:43Z) - Hybrid Model Predictive Control with Physics-Informed Neural Network for Satellite Attitude Control [2.7222301668137483]
信頼性の高い宇宙船の姿勢制御は、姿勢力学の正確な予測に依存する。
複雑な力学を持つ宇宙船では、正確な物理モデルを得るのは難しい、時間を要する、あるいは計算的に重い。
本研究では、宇宙船の姿勢力学をモデル化するための物理情報ニューラルネットワーク(PINN)について検討する。
論文 参考訳（メタデータ） (2026-02-17T19:08:48Z) - KoopGen: Koopman Generator Networks for Representing and Predicting Dynamical Systems with Continuous Spectra [65.11254608352982]
生成元をベースとしたニューラル・クープマン・フレームワークを導入し,構造的かつ状態に依存したクープマン・ジェネレータの表現を通じて動的にモデル化する。
固有のカルテス分解をスキュー結合および自己結合成分に利用することにより、KoopGenは可逆的な散逸から保守的な輸送を分離する。
論文 参考訳（メタデータ） (2026-02-15T06:32:23Z) - 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) - AERMANI-Diffusion: Regime-Conditioned Diffusion for Dynamics Learning in Aerial Manipulators [2.376629619475859]
空力マニピュレータは、慣性結合力と空力の迅速かつ構成に依存した変化を行う。
条件付き拡散プロセスと軽量時間エンコーダを用いて残留力の完全な分布をモデル化する状態条件拡散フレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-11T16:10:32Z) - 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) - 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) - Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate
Model Predictive Trajectory Tracking [76.27433308688592]
クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。
本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。
提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
論文 参考訳（メタデータ） (2022-06-07T13:51:35Z)
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。