論文の概要: Energy-Optimal Spatial Iterative Learning within a Virtual Tube

• arxiv url: http://arxiv.org/abs/2606.31487v1
• Date: Tue, 30 Jun 2026 11:01:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.188365
• Title: Energy-Optimal Spatial Iterative Learning within a Virtual Tube
• Title（参考訳）: 仮想チューブ内のエネルギー最適空間反復学習
• Abstract要約: 本稿では,エネルギー消費を最小化するモデルフリーオンライン反復学習(IL)フレームワークを提案する。 テストケースでは,提案手法はモデルベースIPOPTベンチマークの約50～60倍高速である。
• 参考スコア（独自算出の注目度）: 11.095806833251403
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to the limited endurance of embedded energy sources such as lithium-polymer (LiPo) batteries, the flight duration and operational range of unmanned aerial vehicles (UAVs) are severely constrained. Although energy-efficient trajectory planning and control have been widely studied, most existing approaches rely on accurate system models and computationally expensive optimization procedures. This paper proposes a model-free online iterative learning (IL) framework to minimize energy consumption. Without requiring explicit models of UAV dynamics or energy consumption, the proposed method improves energy efficiency while maintaining a low computational cost. The per-iteration computational complexity is O(n), where n denotes the number of path points. In the tested cases, the proposed method is approximately 50--60 times faster than the model-based IPOPT benchmark. Simulation results and real-world flight experiments across multiple UAV platforms validate the effectiveness, computational efficiency, and practical applicability of the proposed approach.
• Abstract（参考訳）: リチウムポリマー(LiPo)電池のような埋設エネルギー源の持続性に制限があるため、無人航空機(UAV)の飛行期間と運用範囲は厳しく制限されている。 エネルギー効率の高い軌道計画と制御は広く研究されているが、既存のアプローチのほとんどは正確なシステムモデルと計算コストの高い最適化手法に依存している。 本稿では,エネルギー消費を最小化するモデルフリーオンライン反復学習(IL)フレームワークを提案する。 提案手法は,UAV力学やエネルギー消費の明確なモデルを必要としないため,計算コストを低く抑えながらエネルギー効率を向上する。 点当たりの計算複雑性は O(n) であり、n は経路点の数を表す。 テストケースでは,提案手法はモデルベースIPOPTベンチマークの約50～60倍高速である。 複数のUAVプラットフォーム上でのシミュレーション結果と実世界の飛行実験により,提案手法の有効性,計算効率,実用性を検証した。

関連論文リスト

• Managing Task Execution for Unknown Workloads in Batteryless IoT: A Hardware-Agnostic Evaluation [2.435798495038311]
  IoT(Internet of Things)パラダイムは、バッテリレスでエネルギーを節約するアーキテクチャへとシフトしている。 従来のエネルギ対応スケジューラは、静的実行しきい値に依存するため、予測不可能なワークロードに苦労する。 アプリケーションをブラックボックスとして扱う2つの新しいハードウェアに依存しない動的スケジューリング手法を提案する。
  論文  参考訳（メタデータ） (2026-06-23T09:27:59Z)
• Approximate Model Predictive Control for Microgrid Energy Management via Imitation Learning [9.044455355747482]
  本稿では,マイクログリッドエネルギー管理のための混合整数型経済モデル予測制御(EMPC)の模倣学習に基づくフレームワークを提案する。 提案手法は、ニューラルネットワークを用いて、オフライン軌道からのエキスパートEMPC制御動作を模倣し、最適化問題をオンラインで解決することなく、高速でリアルタイムな意思決定を可能にする。
  論文  参考訳（メタデータ） (2025-10-22T21:39:18Z)
• Efficient Onboard Vision-Language Inference in UAV-Enabled Low-Altitude Economy Networks via LLM-Enhanced Optimization [61.55616421408666]
  低高度経済ネットワーク(LAENets)は、航空監視、環境検知、セマンティックデータ収集など、様々な応用を可能にしている。 オンボードビジョン(VLM)は、リアルタイムな推論を提供するが、オンボードの動的ネットワーク条件は限られている。 動的LEENet条件下での通信効率を向上させるUAV対応LEENetシステムを提案する。
  論文  参考訳（メタデータ） (2025-10-11T05:11:21Z)
• EconProver: Towards More Economical Test-Time Scaling for Automated Theorem Proving [64.15371139980802]
  大規模言語モデル(LLM)は、最近、自動定理証明(ATP)の分野を進歩させた。 ATPモデルに対する異なるテスト時間スケーリング戦略は、推論にかなりの計算オーバーヘッドをもたらすことを示す。 本稿では,統一EconRLパイプラインに統合可能な2つの補完手法を提案する。
  論文  参考訳（メタデータ） (2025-09-16T03:00:13Z)
• Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
  6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。 本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
  論文  参考訳（メタデータ） (2025-05-06T06:46:19Z)
• Task Delay and Energy Consumption Minimization for Low-altitude MEC via Evolutionary Multi-objective Deep Reinforcement Learning [52.64813150003228]
  無人航空機や他の航空機による低高度経済(LAE)は、輸送、農業、環境監視といった分野に革命をもたらした。 今後の6世代(6G)時代において、UAV支援移動エッジコンピューティング(MEC)は特に山岳や災害に遭った地域のような困難な環境において重要である。 タスクオフロード問題は、主にタスク遅延の最小化とUAVのエネルギー消費のトレードオフに対処するUAV支援MECの重要な問題の一つである。
  論文  参考訳（メタデータ） (2025-01-11T02:32:42Z)
• Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
  本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。 BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。 我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
  論文  参考訳（メタデータ） (2024-12-03T19:20:08Z)
• An Energy-Based Self-Adaptive Learning Rate for Stochastic Gradient Descent: Enhancing Unconstrained Optimization with VAV method [9.298950359150092]
  本稿では,制約のない最適化問題に対して,エネルギーに基づく自己調整可能な学習率最適化手法を提案する。 補助変数$rを組み、無条件のエネルギー散逸法に固執しながら、バックトラックなしで効率的なエネルギー近似を容易にする。特に、VAVは学習速度がより大きく、訓練過程の初期段階においてより高速な収束を実現する。
  論文  参考訳（メタデータ） (2024-11-10T19:39:40Z)
• Efficient Data-Driven MPC for Demand Response of Commercial Buildings [0.0]
  小型商業ビルにおけるエネルギー管理のためのデータ駆動型・混合整数入札戦略を提案する。 屋上ユニットの暖房, 個別制御による空調システムについて検討し, 商業ビルの運転を正確にモデル化する。 当社のアプローチをいくつかの需要応答(DR)設定に適用する。
  論文  参考訳（メタデータ） (2024-01-28T20:01:44Z)
• Efficient Learning of Voltage Control Strategies via Model-based Deep Reinforcement Learning [9.936452412191326]
  本稿では,電力系統の短期電圧安定性問題に対する緊急制御戦略を設計するためのモデルベース深部強化学習(DRL)手法を提案する。 近年, モデルフリーDRL方式の電力系統への適用が期待できるが, モデルフリー方式はサンプル効率の低下と訓練時間に悩まされている。 本稿では,Deep Neural Network(DNN)に基づく動的代理モデルを用いた新しいモデルベースDRLフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-06T02:50:53Z)
• Data-Driven Chance Constrained AC-OPF using Hybrid Sparse Gaussian Processes [57.70237375696411]
  入力不確実性を伴う潮流方程式をモデル化するために,スパースプロセスとハイブリッドガウスプロセス(GP)フレームワークを用いた高速データ駆動構成を提案する。 提案手法の有効性は,複数のIEEEテストケースに対して,最大2倍の高速かつ高精度な解を示す数値的な研究によって主張する。
  論文  参考訳（メタデータ） (2022-08-30T09:27:59Z)

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。