論文の概要: T2S-MPC: Time-Embedded Online Adaptive Model Predictive Control for Time-Varying Dynamics

• arxiv url: http://arxiv.org/abs/2605.24852v1
• Date: Sun, 24 May 2026 04:00:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.478821
• Title: T2S-MPC: Time-Embedded Online Adaptive Model Predictive Control for Time-Varying Dynamics
• Title（参考訳）: T2S-MPC:時間変化ダイナミクスのためのオンライン適応モデル予測制御
• Authors: Zeyu Shen, Zhuoyuan Wang, Laixi Shi,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 13.470078340745808
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in learning-based model predictive control (MPC) have leveraged neural networks for online model learning, achieving strong performance when nonstationary system dynamics deviate from nominal models. However, existing approaches primarily address specific or relatively structured forms of dynamical variation, leaving more general, unknown, and unpredictable time-varying dynamics insufficiently handled. To tackle this challenge, we propose T2S-MPC, a framework that adaptively learns a residual dynamics model online and integrates it with the nominal model within the MPC framework to enable fast-evolving online planning. To make the model time-aware, we explicitly encode temporal information through a structured time embedding and employ a two-timescale update scheme, allowing the controller to capture nonstationary dynamics while balancing rapid adaptation with stable learning. We evaluate the proposed method on a 2D quadrotor across stabilization and trajectory tracking tasks under diverse time-varying disturbances, including linear drifting and periodic perturbations. Experimental results show that T2S-MPC consistently outperforms classical MPC, neural MPC, and ablated variants in control performance, while also demonstrating strong robustness across a wide range of disturbance conditions without additional tuning. The source code is publicly available at https://github.com/Zeyuu0920/T2S_MPC
• Abstract（参考訳）: 学習に基づくモデル予測制御(MPC)の最近の進歩は、ニューラルネットワークをオンラインモデル学習に活用し、非定常系力学が名目モデルから逸脱した場合、強力な性能を達成する。 しかし、既存のアプローチは主に特定の、あるいは比較的構造化された動的変動の形式に対処し、より一般的な、未知の、予測不可能な時間変化のダイナミクスが不十分なまま残されている。 この課題に対処するために,オンライン上で残留力学モデルを適応的に学習するフレームワークであるT2S-MPCを提案する。 モデルタイムアウェアを実現するために,構造化時間埋め込みを用いて時間情報を明示的に符号化し,安定学習と高速適応のバランスを保ちながら,非定常ダイナミクスを捉える2段階更新方式を提案する。 線形ドリフトや周期的摂動を含む様々な時間変動条件下での安定化・軌道追従作業における2次元四角形体の性能評価を行った。 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制御性能において一貫した性能を示し,また,追加のチューニングを伴わずに広範囲の障害条件に対して強い堅牢性を示した。 ソースコードはhttps://github.com/Zeyuu0920/T2S_MPCで公開されている。

関連論文リスト

• LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
  本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。 LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
  論文  参考訳（メタデータ） (2026-05-11T09:54:02Z)
• Drift-Aware Online Dynamic Learning for Nonstationary Multivariate Time Series: Application to Sintering Quality Prediction [8.77587871192859]
  堅牢な多時間予測性能を維持するために,DA-MSDL(Drift-Aware Multi-Scale Dynamic Learning)フレームワークを提案する。 提案フレームワークは,非定常環境における品質モニタリングに有効なオンライン動的学習パラダイムを提供する。
  論文  参考訳（メタデータ） (2026-04-10T14:30:57Z)
• Model-Based Reinforcement Learning for Control under Time-Varying Dynamics [40.96573079787976]
  時間変動力学下での制御のための強化学習について検討する。 適応型データバッファ機構を用いた実用的な楽観的モデルベース強化学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-04-02T16:52:59Z)
• Trajectory Flow Matching with Applications to Clinical Time Series Modeling [77.58277281319253]
  Trajectory Flow Matching (TFM) は、シミュレーションのない方法でニューラルSDEを訓練し、ダイナミックスを通してバックプロパゲーションをバイパスする。 絶対的性能と不確実性予測の観点から,3つの臨床時系列データセットの性能向上を実証した。
  論文  参考訳（メタデータ） (2024-10-28T15:54:50Z)
• 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)
• Role of stochastic noise and generalization error in the time propagation of neural-network quantum states [0.0]
  ニューラルネットワーク量子状態(NQS)は、平衡外力学をシミュレートするのに適切な変分アンサッツであることが示されている。 安定かつ正確な時間伝搬は、十分に規則化された変動力学のレギュレーションで達成できることを示す。
  論文  参考訳（メタデータ） (2021-05-03T17:55:09Z)
• Online Reinforcement Learning Control by Direct Heuristic Dynamic Programming: from Time-Driven to Event-Driven [80.94390916562179]
  時間駆動学習は、新しいデータが到着すると予測モデルのパラメータを継続的に更新する機械学習手法を指す。 ノイズなどの重要なシステムイベントによる時間駆動型dHDPの更新を防止することが望ましい。 イベント駆動型dHDPアルゴリズムは,従来の時間駆動型dHDPと比較して動作することを示す。
  論文  参考訳（メタデータ） (2020-06-16T05:51:25Z)

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。