論文の概要: Balancing Accuracy and Efficiency: Adaptive Dynamics Orchestration for Model Predictive Control

• arxiv url: http://arxiv.org/abs/2606.00085v1
• Date: Fri, 22 May 2026 19:05:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 07:15:24.699948
• Title: Balancing Accuracy and Efficiency: Adaptive Dynamics Orchestration for Model Predictive Control
• Title（参考訳）: 精度と効率のバランスをとる:モデル予測制御のための適応的ダイナミクスオーケストレーション
• Authors: Francesco Cancelliere, Aniket Datar, Giovanni Muscato, Xuesu Xiao,
• Abstract要約: 高忠実度力学モデルは、軌道のロールアウト中に複雑な車両とテランの相互作用を正確に予測できるが、計算コストは相当である。 軽量モデルは高速な更新と高密度サンプリングを可能にするが、安全クリティカルな条件下で誤った予測を発生させる可能性がある。 本稿では,現在のナビゲーションコンテキストに対して最適な動的モデルを動的に選択するフレームワークであるAdaptive Dynamics Orchestration (ADO)を提案する。
• 参考スコア（独自算出の注目度）: 8.262724319342945
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Model Predictive Control (MPC) for autonomous navigation faces a fundamental trade-off between model accuracy and real-time efficiency. High-fidelity dynamics models can accurately predict complex vehicle-terrain interactions during trajectory rollouts, but incur significant computational cost, increasing inference latency and reducing control frequency. Conversely, lightweight models enable fast updates and dense sampling, yet may produce erroneous predictions under safety-critical conditions, potentially leading to catastrophic failures such as vehicle rollover. To address this trade-off, we propose Adaptive Dynamics Orchestration (ADO), a framework that dynamically selects the most appropriate dynamics model for the current navigation context. ADO maintains a library of models spanning diverse accuracy-efficiency profiles and continuously refines terrain-conditioned performance estimates using residual errors from online counterfactual rollouts, where executed control actions are replayed across the model library to assess predictive discrepancy. These estimates guide model selection in real time, balancing computational efficiency and predictive accuracy. Real-world experiments on an off-road ground robot demonstrate that ADO significantly reduces modeling error compared to a fixed low-latency baseline, while approaching the accuracy of the highest-fidelity model without incurring its computational cost, resulting in more reliable and effective navigation in challenging terrain.
• Abstract（参考訳）: 自律ナビゲーションのためのモデル予測制御(MPC)は、モデル精度とリアルタイム効率の基本的なトレードオフに直面している。 高忠実度力学モデルは、軌跡のロールアウト中に複雑な車両とテランの相互作用を正確に予測できるが、計算コストが大幅に増加し、推論遅延が増加し、制御周波数が低下する。 逆に、軽量モデルは高速な更新と高密度サンプリングを可能にするが、安全クリティカルな条件下で誤った予測を発生させる可能性があり、車両のロールオーバーのような破滅的な失敗につながる可能性がある。 このトレードオフに対処するために,現在のナビゲーションコンテキストに最適な動的モデルを動的に選択するフレームワークであるAdaptive Dynamics Orchestration (ADO)を提案する。 ADOは、さまざまな精度・効率性プロファイルにまたがるモデルのライブラリを維持し、オンラインの反ファクト的ロールアウトからの残差エラーを使用して、地形条件付きパフォーマンス推定を継続的に洗練し、モデルライブラリ全体で実行された制御アクションを再生して予測的不一致を評価する。 これらの推定は、計算効率と予測精度のバランスをとりながら、リアルタイムでガイドモデル選択を導出する。 オフロードグラウンドロボットを用いた実世界の実験では、ADOは計算コストを伴わずに高忠実度モデルの精度にアプローチしながら、固定された低レイテンシベースラインと比較してモデリング誤差を著しく低減し、挑戦的な地形におけるより信頼性と効果的なナビゲーションを実現する。

関連論文リスト

• 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)
• SPLIT: Sparse Incremental Learning of Error Dynamics for Control-Oriented Modeling in Autonomous Vehicles [5.42449116541444]
  SPLITは、制御指向の車両力学モデリングのためのスパースインクリメンタルラーニングフレームワークである。 車両モデルを実験により不変要素に分解し, 残差モデルにより補正された変種要素を特徴量次元を減少させる。 車両力学の偏差への迅速な適応を可能にし、以前は見つからなかったシナリオへの堅牢な一般化を示す。
  論文  参考訳（メタデータ） (2026-02-14T07:12:05Z)
• OLR-WAA: Adaptive and Drift-Resilient Online Regression with Dynamic Weighted Averaging [7.146027549101716]
  「OLR-WAA:動的重み付き平均値をもつ適応的で弾力性のあるオンライン回帰」 本稿では, 動的重み付き平均値をもつ適応的かつ弾力性のあるオンライン回帰システムOLR-WAAを紹介する。
  論文  参考訳（メタデータ） (2025-12-14T17:39:51Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Deep Bilinear Koopman Model for Real-Time Vehicle Control in Frenet Frame [0.0]
  本稿では,カービリニアFrenetフレーム内の車両力学のモデリングと制御のための深いクープマン手法を提案する。 提案フレームワークは、深層ニューラルネットワークアーキテクチャを使用して、データからクープマン演算子とその関連する不変部分空間を同時に学習する。 提案した制御器は, ベースライン制御器と比較して追従誤差を著しく低減し, 組込み自動運転車システムにおけるリアルタイム実装に適していることを確認した。
  論文  参考訳（メタデータ） (2025-07-16T18:49:44Z)
• 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)
• 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)
• Online Dynamics Learning for Predictive Control with an Application to Aerial Robots [3.673994921516517]
  予測モデルは学習し、モデルベースのコントローラに適用することができるが、これらのモデルはしばしばオフラインで学習される。 このオフライン設定では、トレーニングデータをまず収集し、精巧なトレーニング手順により予測モデルを学ぶ。 本稿では,デプロイ中の動的モデルの精度を継続的に向上するオンライン動的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-19T15:51:25Z)

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。