論文の概要: Flatness-Preserving Residual Learning for Real-Time Tight Quadrotor Formation Flight
- arxiv url: http://arxiv.org/abs/2607.12275v1
- Date: Tue, 14 Jul 2026 02:25:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-15 17:08:30.012904
- Title: Flatness-Preserving Residual Learning for Real-Time Tight Quadrotor Formation Flight
- Title（参考訳）: リアルタイム四回転子生成飛行のための平坦性保存残差学習
- Abstract要約: 密な形を飛んでいるクアドロターは、ダウンウォッシュのような乱流の空気力学的相互作用によって深刻な影響を受けており、非模型化されていれば破滅的な衝突を引き起こす可能性がある。
本研究では, 複雑な空力相互作用を捉えつつ, 連立多振子系を微分平らに維持する物理インフォームド残差動的学習フレームワークを提案する。
我々は,30秒以下のトレーニングデータと5msループ率で安定かつ厳密な成型飛行を達成でき,計算制約飛行スタックに対する高忠実度空力補償を解き放つことを初めて示している。
- 参考スコア（独自算出の注目度）: 12.401790739166222
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Quadrotors flying in tight formations are severely affected by turbulent aerodynamic interactions, such as downwash, that can cause catastrophic collisions if left unmodeled. To compensate for these effects, we propose a physics-informed residual dynamics learning framework that captures complex aerodynamic interactions while ensuring the joint multi-quadrotor system remains differentially flat. We leverage this preserved flatness to design a computationally efficient feedback linearization controller that is easily tunable with linear control techniques and cancels aerodynamic disturbances via feedforward compensation. Hardware experiments demonstrate our framework reduces average tracking errors by 31% compared to nominal baselines. Crucially, our lightweight approach matches the tracking performance of state-of-the-art nonlinear model predictive control (NMPC) while requiring an order of magnitude less computation. We are the first to show that stable, tight formation flight can be achieved with under 30 seconds of training data and a 5ms loop rate, unlocking high-fidelity aerodynamic compensation for compute-constrained flight stacks.
- Abstract（参考訳）: 密な形を飛んでいるクアドロターは、ダウンウォッシュのような乱流の空気力学的相互作用によって深刻な影響を受けており、非模型化されていれば破滅的な衝突を引き起こす可能性がある。
これらの効果を補うために,複素空力相互作用を捉える物理インフォームド・残留力学学習フレームワークを提案する。
我々は、この保存された平坦性を利用して、線形制御技術で簡単に調整できる計算効率の良いフィードバック線形化制御器を設計し、フィードフォワード補償により空力障害をキャンセルする。
ハードウェア実験により、我々のフレームワークは名目ベースラインに比べて平均トラッキングエラーを31%削減することを示した。
重要なことは、我々の軽量なアプローチは、計算の桁数を大幅に減らしながら、最先端の非線形モデル予測制御(NMPC)の追跡性能と一致している。
我々は,30秒未満のトレーニングデータと5msループ率で安定かつ厳密な成型飛行を達成でき,計算制約飛行スタックに対する高忠実度空力補償を解き放つことを初めて示している。
関連論文リスト
- 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) - Rollback-Free Stable Brick Structures Generation [51.856925926010184]
既存のアプローチでは、リジェクションサンプリングとブロック・バイ・ブロックのロールバックを行うために、推論中に外部物理シミュレータに依存している。
本稿では,身体的妥当性をテスト時間補正からトレーニング時間ポリシー最適化にシフトさせる強化学習パラダイムを提案する。
実験結果から,提案手法は予測速度を桁違いに向上させつつ,最先端の生成品質を実現することを示す。
論文 参考訳（メタデータ） (2026-05-07T21:06:44Z) - Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。
本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。
このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
論文 参考訳（メタデータ） (2026-04-10T17:12:07Z) - Physics-infused Learning for Aerial Manipulator in Winds and Near-Wall Environments [3.895172208362693]
空中操作(AM)は、受動的観測から高高度およびその他の到達不能な環境での接触操作まで、UAV能力を拡大する。
本稿では,物理に基づくブレード要素モデルと学習に基づく残留力推定器を統合し,外乱補償のためのロータ速度割当戦略を組み込むことにより,統一的な制御フレームワークを実現する。
その結果, 従来の手法よりも外乱推定と軌道追跡精度が向上し, 困難な空力条件下でのロバストな壁面接触実行が可能となった。
論文 参考訳（メタデータ） (2026-03-08T22:08:15Z) - Perception-Aware Time-Optimal Planning for Quadrotor Waypoint Flight [25.084985306310827]
本稿では,視覚に基づく四元数に対する時間-最適軌道最適化フレームワークを提案する。
知覚制約を完全な非線形力学、ローターの作動制限、空力効果、カメラの視野制約、凸幾何学ゲート表現と組み合わせる。
実験では、実際の飛行速度は9.8m/s、平均追跡誤差は0.07m、クローズドループの成功率は55%から100%に向上した。
論文 参考訳（メタデータ） (2026-03-04T17:22:16Z) - 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) - Online Adaptation for Flying Quadrotors in Tight Formations [7.445987710491257]
複雑な空力的なウェイクインタラクションは、チームだけでなく、個々のチームメンバーを不安定にします。
適応型混合学習に基づく制御フレームワークであるL1 KNODE-DW MPCを提案する。
提案手法は, 飛行中, 近接して垂直に3つのクアッドロータを配置できることを示す。
論文 参考訳（メタデータ） (2025-06-20T21:49:17Z) - Flying Quadrotors in Tight Formations using Learning-based Model Predictive Control [30.715469693232492]
本研究では、第一原理モデリングとデータ駆動アプローチの利点を組み合わせたフレームワークを提案する。
このモデルを新しい学習ベースの予測モデル制御フレームワークに組み込むことで、性能が大幅に向上することを示す。
また,本フレームワークは,46秒の飛行データのみを用いて,例外的なサンプル効率を実現している。
論文 参考訳（メタデータ） (2024-10-13T05:03:16Z) - Rapid aerodynamic prediction of swept wings via physics-embedded transfer learning [10.191783697332227]
機械学習モデルは、超音速旋回翼流場を迅速に取得する有望な方法を提供する。
モデルを効率的に学習するための物理組込み移動学習フレームワークを提案する。
データセットのサイズを減らすには、ウィングトレーニングサンプルの半分未満は、非トランスファーフレームワークと同じエラーレベルに達する必要がある。
論文 参考訳（メタデータ） (2024-09-19T12:35:59Z) - 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) - 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)
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。