論文の概要: Wind-Aware Reinforcement Learning Control of a Small Quadrotor Using Learned Onboard Wind Estimation in Simulated Atmospheric Turbulence

• arxiv url: http://arxiv.org/abs/2607.01528v1
• Date: Wed, 01 Jul 2026 22:59:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.613476
• Title: Wind-Aware Reinforcement Learning Control of a Small Quadrotor Using Learned Onboard Wind Estimation in Simulated Atmospheric Turbulence
• Title（参考訳）: 模擬大気乱流における風速推定学習による小型クアドロレータの風力認識強化学習制御
• Abstract要約: 小型のマルチローター機は大気境界層での運用にますます取り組まれている。 この研究は、まずオンボードキネマティクスとダイナミクスから局所的な風を推定する2段階の学習パイプラインを描いている。
• 参考スコア（独自算出の注目度）: 2.878288301715711
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Small multirotor aircraft are increasingly tasked with operations in the atmospheric boundary layer, where turbulent winds comparable to the vehicle's airspeed degrade trajectory tracking and can defeat conventional feedback control. This work illustrates a two-stage learning pipeline that first estimates the local wind from onboard kinematics and dynamics and then exploits that estimate inside a reinforcement learning (RL) flight controller. The wind estimator, an attention-augmented gated recurrent network trained on thousands of simulated flights through von Karman turbulence with power-law shear and veer, recovers the horizontal wind vector with a per-flight root-mean-square error of 0.40 m/s and a direction error of 3.2 degrees on unseen wind regimes, an accuracy near the floor imposed by unresolved turbulence, and generalizes to vertical ascent profiles with a skill score of 0.861 over a constant-wind reference. A proximal policy optimization controller receiving the frozen estimator's output reduces horizontal trajectory tracking error by 48% relative to a wind-blind proportional-derivative baseline across mean winds of 4 m/s to 12 m/s, winning on 100% of evaluation episodes. A three-way ablation decomposes this improvement into a kinematic component, available without wind information, and a wind-perception component; the perception share rises with wind speed, from small in light winds toward roughly half the total benefit in strong winds, consistent with the quadratic scaling of aerodynamic drag. The controller degrades gracefully on out-of-distribution winds of 13 m/s to 15 m/s, where the baseline fails catastrophically.
• Abstract（参考訳）: 小型のマルチローター機は大気境界層での運用にますます取り組まれており、そこでは車両の空気速度低下軌跡追跡に匹敵する乱流風があり、従来のフィードバック制御を破ることができる。 この研究は、まずオンボードキネマティクスとダイナミクスから局所的な風を推定し、次に強化学習(RL)飛行制御装置内で推定する2段階の学習パイプラインを例証する。 風速推定器は、フォン・カルマン乱流を数千回の模擬飛行で訓練し、パワー・ロー・シアとヴェーアで訓練し、水平風ベクトルを飛行ごとのルート平均二乗誤差0.40m/s、方向誤差3.2°、未解決の乱流によって課される床付近の精度で回復し、スキルスコア0.861の垂直上昇プロファイルに一般化する。 凍結推定器の出力を受信した近似ポリシー最適化制御器は、平均風速4m/s〜12m/sの風向比導関数ベースラインに対して水平軌道追跡誤差を48%低減し、評価エピソードの100%で勝利する。 三方向アブレーションは、この改良を風情報なしで利用できるキネマティック成分と風知覚成分に分解し、知覚のシェアは、風速とともに上昇し、光風の小さい風から強風の総利益のおよそ半分まで、空気力学的なドラッグの二次的なスケーリングと一致する。 制御器は13m/sから15m/sのアウト・オブ・ディストリビューション・ウィンドで優雅に劣化し、そこではベースラインが破滅的に故障する。

関連論文リスト

• FlowATC: Aircraft Trajectory Prediction via Flow Matching [39.046509366232065]
  本稿では,航路ラベルやチャート管理を伴わない,歴史的航空機軌道に特化して訓練されたフローマッチングアーキテクチャを提案する。 我々のモデルは、ネイティブで不規則なADS-Bサンプリング間隔で直接訓練される。 予測地平線により誤差は良好に低下し, 時間的劣化フィードで再トレーニングした場合, アーキテクチャが有効であることを示す。
  論文  参考訳（メタデータ） (2026-09-15T02:21:06Z)
• Wind-Informed Rapid Flight-Planning in Complex Urban Topologies via Machine Learning and Experimental Validation [46.65676221937358]
  本研究は,風の強い都市環境における航空車両の安全な飛行計画に向けた新しい枠組みを提案する。 学習ベースサロゲートモデルは、容易に利用可能な情報から流れ場を迅速に予測するために訓練される。 安全でフローインフォームドされた飛行軌道は、コスト最小化パスファインダーによって識別される。
  論文  参考訳（メタデータ） (2026-08-10T23:30:49Z)
• GustPilot: A Hierarchical DRL-INDI Framework for Wind-Resilient Quadrotor Navigation [2.0325612651874305]
  GustPilotは、軽量四輪車用の耐風性航法スタックである。 風の乱れは、軽量四輪車のための信頼性の高い自律航法にとって重要な障壁である。 我々は、50gクワッドコプタープラットフォーム上での実際の飛行におけるGustPilotの評価を行った。
  論文  参考訳（メタデータ） (2026-03-20T14:06:11Z)
• ASCENT: Transformer-Based Aircraft Trajectory Prediction in Non-Towered Terminal Airspace [54.94692733670454]
  ASCENTは、マルチモーダル3D航空機の軌道予測のための軽量トランスフォーマーベースのモデルである。 ドメイン対応の3D座標正規化とパラメータ化予測を統合している。
  論文  参考訳（メタデータ） (2026-03-17T14:16:10Z)
• WESPR: Wind-adaptive Energy-Efficient Safe Perception & Planning for Robust Flight with Quadrotors [9.15147164003286]
  WESPRは環境形状が局地風環境にどのように影響するかを予測する高速なフレームワークである。 その結果,最大軌道偏差が12.5-58.7%減少し,風向非依存の適応制御器に比べて24.6%の安定性が向上した。
  論文  参考訳（メタデータ） (2026-03-10T05:09:43Z)
• Physics Informed Reconstruction of Four-Dimensional Atmospheric Wind Fields Using Multi-UAS Swarm Observations in a Synthetic Turbulent Environment [2.878288301715711]
  無人航空機システム(UAS)は柔軟な位置測定を提供するが、個々のプラットフォームは飛行軌道に沿ってのみ風をサンプリングする。 本研究では, 協調UAS群集から得られた測定値を用いて, 4次元大気風況を再現するための枠組みを提案する。 その結果,UASの協調測定により,専用の風センサや固定インフラを使わずに,高精度でスケーラブルな4次元風場再構築が可能であった。
  論文  参考訳（メタデータ） (2026-01-29T18:40:32Z)
• Design and Implementation of a High-Precision Wind-Estimation UAV with Onboard Sensors [4.9295028416281985]
  本稿では,オンボードセンサのみを用いたリアルタイム風速推定手法を提案する。 システムは、風洞、屋内および屋外飛行における総合的な実験を通じて検証される。
  論文  参考訳（メタデータ） (2025-12-11T08:39:55Z)
• Physics-informed Neural-operator Predictive Control for Drag Reduction in Turbulent Flows [109.99020160824553]
  乱流のモデリングと制御のための効率的な深部強化学習フレームワークを提案する。 予測制御(PC)のためのモデルベースRLであり、乱流制御のためのポリシとオブザーバモデルの両方を共同で学習する。 その結果, PINO-PCは, バルク速度レイノルズ数15,000で39.0%の抗力低下を達成し, 従来の流体制御法を32%以上上回った。
  論文  参考訳（メタデータ） (2025-10-03T00:18:26Z)
• An Improved Yaw Control Algorithm for Wind Turbines via Reinforcement Learning [1.5076964620370268]
  ヨーのミスアライメントは、出力、タービンの安全性、寿命、そして風上公園全体に影響を与える。 我々は、強化学習を用いてヨー調整を最小化し、ヨー資源を最適に再配置するヨー制御剤を開発する。
  論文  参考訳（メタデータ） (2023-05-02T10:01:39Z)
• Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds [96.74836678572582]
  本稿では,ディープラーニングを通じて事前学習した表現を組み込むことで,オンラインでの迅速な適応を可能にする学習ベースのアプローチを提案する。 Neural-Flyは、最先端の非線形かつ適応的なコントローラよりもかなり少ないトラッキングエラーで正確な飛行制御を実現する。
  論文  参考訳（メタデータ） (2022-05-13T21:55:28Z)
• Uncertainty Set Prediction of Aggregated Wind Power Generation based on Bayesian LSTM and Spatio-Temporal Analysis [42.68418705495523]
  本稿では,地理的に分散した風力発電所の集合的発生の不確かさの予測に焦点をあてる。 近傍の風力発電場における部分的な観測から動的特徴を学習するための時空間モデルを提案する。 中国北西部の6つの風力発電所の実際のデータに基づく数値実験の結果,集合風力発電の不確実性セットは1つの風力発電所のそれよりも揮発性が少ないことがわかった。
  論文  参考訳（メタデータ） (2021-10-07T11:57:16Z)
• 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)

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。