論文の概要: Machine Learning-based Feedback Linearization Control of Quadrotor Subject to Unmodeled Dynamics

• arxiv url: http://arxiv.org/abs/2606.31199v1
• Date: Tue, 30 Jun 2026 06:30:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.102991
• Title: Machine Learning-based Feedback Linearization Control of Quadrotor Subject to Unmodeled Dynamics
• Title（参考訳）: 機械学習に基づく非モデル化ダイナミクスを考慮した擬似物体のフィードバック線形化制御
• Abstract要約: この研究は、新しい機械学習ベースのフィードバック線形化制御フレームワークを導入している。 RBF NNのオンライン適応は、事前トレーニングなしでネットワークの重みを更新する。 提案した制御器は、高速収束による軌道追跡を改善し、位置ノルムおよびヨー方向RMSEをそれぞれ7.13%以上、49.27%以上削減する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The control of agile quadrotors in dynamic and uncertain environments remains an open area of investigation to this day, particularly when the complete system dynamics are partially known or highly nonlinear. This work introduces a novel machine learning-based feedback-linearization control framework that employs a Gaussian Radial Basis Function (RBF) neural network (NN) to model and compensate for unmodeled dynamics in real time. The proposed controller leverages the universal approximation capability of RBF networks to model nonlinearities and uncertainties. An online adaptation of the RBF NN updates the network's weights without prior training. The control law is derived using the Lyapunov stability theory, herein guaranteeing closed-loop stability and providing theoretical guarantee of asymptotic convergence of a trajectory tracking task. Gazebo simulation and real flight experiments are conducted using the Bitcraze's Crazyflie 2.1 quadrotor subject to unmodeled air drag, actuator dynamics, and external disturbance. Despite incomplete knowledge of prior dynamics and presence of external disturbance such as air drag and drift in state estimation, the proposed controller improves trajectory tracking with rapid convergence and reduction of position-norm and yaw orientation RMSE by more than $7.13\%$ and $49.27\%$ respectively compared to baseline feedback linearization controller.
• Abstract（参考訳）: 動的で不確実な環境でのアジャイル四分儀の制御は、特に完全なシステムダイナミクスが部分的に知られているか、非常に非線形である場合、今日に至るまで、オープンな調査領域のままである。 本研究は,ガウス・ラジアル基底関数(RBF)ニューラルネットワーク(NN)を用いて,非モデル化されたダイナミクスをリアルタイムにモデル化・補償する,機械学習に基づく新たなフィードバック線形化制御フレームワークを導入する。 提案した制御器はRBFネットワークの普遍近似能力を利用して非線形性と不確実性をモデル化する。 RBF NNのオンライン適応は、事前トレーニングなしでネットワークの重みを更新する。 制御則はリアプノフ安定理論を用いて導出され、ここでは閉ループ安定性を保証し、軌道追跡タスクの漸近収束を理論的に保証する。 ガゼボシミュレーションと実際の飛行実験は、Bitcraze's Crazyflie 2.1 の空気抵抗、アクチュエータのダイナミクス、外乱といった条件下で行われた。 エアドラグやドリフトなどの外乱の存在や状態推定の不完全な知識にもかかわらず,提案制御器は,ベースラインフィードバック線形化制御器と比較して,位置ノルムおよびヨーオリエンスRMSEを7.13 %以上,49.27 %以上改善する。

関連論文リスト

• Nonlinear Model Predictive Control for Trajectory Tracking of Differentially Flat Fixed-Wing Aerial Systems [6.655837620295535]
  固定翼無人航空機(UAV)の計画と制御は、非線形力学、空力限界、環境障害のために困難である。 本稿では,微分平坦性に基づく軌道生成と予測的制約認識制御を統合した統合フレームワークを提案する。 提案手法を広範囲なシミュレーションと実世界の飛行実験により検証し,複雑な軌道の追跡精度とロバスト性の向上を実証した。
  論文  参考訳（メタデータ） (2026-08-21T01:25:35Z)
• A Neural Network Based Teleoperation for Remote Controlled Vehicles [98.38733381483934]
  車両の直接遠隔操作は重要な技術的ボトルネックに直面している。 通信遅延とオペレーターの 物理的に知覚できない 未モデル化の環境障害。 本稿では,一方的な遠隔操作フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-11T01:51:08Z)
• MPC for underactuated spacecraft control with a Lyapunov supervised physics-informed neural network correction layer [2.4919077201316067]
  未作動の宇宙船は、制御可能性の限界に直面し、環境障害に対する感度を高める。 i) 非線形モデル予測制御器(NMPC) の制約と非作動性を考慮した操作計画と, アクチュエータリミット下での名目上の閉ループ安定性, (ii) 物理インフォームドニューラルネットワーク(PINN) シミュレーションデータをオフラインでトレーニングし, 残差トルクを推定すること, (iii) 学習した補正をオンラインで評価し, ベースラインコントローラの安定性を維持または抑制するリアプノフベースの監視安全機構。
  論文  参考訳（メタデータ） (2026-06-11T09:39:14Z)
• TIDE: Asymmetric Neural Circuits for Stabilized Temporal Inhibitory-Excitatory Dynamics [51.37317469455798]
  最近のContinuous Thought Machineアーキテクチャは、ニューラルダイナミクスを介して外部入力から内部計算を分離している。 非対称な興奮抑制(E-I)ネットワークを用いたニューラルダイナミクスのモデル化を提案する。 本稿では、神経力学を安定化させて内部表現を計算する、神経に触発されたアーキテクチャであるTIDE(Temporal Inhibitory-Excitatory Dynamic Engine)を紹介する。
  論文  参考訳（メタデータ） (2026-05-19T05:59:13Z)
• Intelligent Control of Differential Drive Robots Subject to Unmodeled Dynamics with EKF-based State Estimation [28.37226750522601]
  この研究は、リアプノフに基づく非線形コントローラと適応ネットワーク(ANN)を組み合わせた統一制御と状態推定フレームワークを導入する。 提案した制御器はニューラルネットワークの普遍近似特性を利用して未知の非線形性をリアルタイムでモデル化する。 堅牢な状態推定を保証するため、EKFは単分子、2D-LiDARおよびホイールエンコーダから慣性測定ユニット(IMU)とオドメトリーを融合させる。
  論文  参考訳（メタデータ） (2026-03-16T07:44:28Z)
• Neural Internal Model Control: Learning a Robust Control Policy via Predictive Error Feedback [16.46487826869775]
  本稿では,モデルベース制御とRLベース制御を統合し,ロバスト性を高めるニューラル内部モデル制御を提案する。 我々のフレームワークは、剛体力学にニュートン・オイラー方程式を適用することで予測モデルを合理化し、複雑な高次元非線形性を捉える必要がなくなる。 本研究では,四足歩行ロボットと四足歩行ロボットにおけるフレームワークの有効性を実証し,最先端の手法と比較して優れた性能を実現する。
  論文  参考訳（メタデータ） (2024-11-20T07:07:42Z)
• DATT: Deep Adaptive Trajectory Tracking for Quadrotor Control [62.24301794794304]
  Deep Adaptive Trajectory Tracking (DATT)は、学習に基づくアプローチであり、現実世界の大きな乱れの存在下で、任意の、潜在的に実現不可能な軌跡を正確に追跡することができる。 DATTは、非定常風場における可溶性および非実用性の両方の軌道に対して、競争適応性非線形およびモデル予測コントローラを著しく上回っている。 適応非線形モデル予測制御ベースラインの1/4未満である3.2ms未満の推論時間で、効率的にオンラインで実行することができる。
  論文  参考訳（メタデータ） (2023-10-13T12:22:31Z)
• Unifying Model-Based and Neural Network Feedforward: Physics-Guided Neural Networks with Linear Autoregressive Dynamics [0.0]
  本稿では,未知の非線形力学を補償するフィードフォワード制御フレームワークを開発する。 フィードフォワードコントローラは、物理モデルとニューラルネットワークの並列結合としてパラメータ化される。
  論文  参考訳（メタデータ） (2022-09-26T08:01:28Z)
• 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)
• Interpretable Stochastic Model Predictive Control using Distributional Reinforced Estimation for Quadrotor Tracking Systems [0.8411385346896411]
  本研究では,動的・複雑環境下での自律的四角形ナビゲーションのためのトラジェクトリトラッカーを提案する。 提案フレームワークは,未知の空力効果に対する分散強化学習推定器をモデル予測制御器に統合する。 我々は,未知かつ多様な空気力を用いて,累積追従誤差を少なくとも66%改善するシステムを実証した。
  論文  参考訳（メタデータ） (2022-05-14T23:27:38Z)
• Transition control of a tail-sitter UAV using recurrent neural networks [80.91076033926224]
  制御戦略は姿勢と速度安定化に基づいている。 RNNは高非線形空力項の推定に用いられる。 その結果, 遷移操作時の直線速度とピッチ角の収束性を示した。
  論文  参考訳（メタデータ） (2020-06-29T21:33:30Z)
• Adaptive Control and Regret Minimization in Linear Quadratic Gaussian (LQG) Setting [91.43582419264763]
  我々は不確実性に直面した楽観主義の原理に基づく新しい強化学習アルゴリズムLqgOptを提案する。 LqgOptはシステムのダイナミクスを効率的に探索し、モデルのパラメータを信頼区間まで推定し、最も楽観的なモデルのコントローラをデプロイする。
  論文  参考訳（メタデータ） (2020-03-12T19:56:38Z)

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。