論文の概要: Modeling and Validation of Quality of Control for Edge-Offloaded Collaborative Navigation
- arxiv url: http://arxiv.org/abs/2607.14853v1
- Date: Thu, 16 Jul 2026 11:22:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-17 17:01:33.082181
- Title: Modeling and Validation of Quality of Control for Edge-Offloaded Collaborative Navigation
- Title（参考訳）: エッジオフロード協調ナビゲーションにおける制御品質のモデル化と検証
- Abstract要約: 複雑な環境における協調制御は、無線遅延と信頼性のばらつきにより困難である。
従来の作業から実用的なロボットモデルまで,QoC(Quality of Control)フレームワークを拡張することで,この問題に対処する。
- 参考スコア（独自算出の注目度）: 10.721601142723673
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Collaborative control in complex environments is severely challenged by stochastic wireless delay and reliability variations, which can degrade navigation, tracking, and collision avoidance. These network-induced uncertainties complicate the maintenance of energy efficiency during collaborative tasks, and can potentially lead to over-provisioning of resources. In this paper, for a navigation setup with dynamic collision avoidance, we address this challenge by expanding the quality of control (QoC) framework from prior works to practical robotic models. Our approach (i) models end-to-end network effects on closed-loop performance, (ii) systematically explores the impact of various control parameters dictating robotic motion on network latency-reliability (iii) validates these models through experiments on a private 5G testbed across varying delay, reliability and control configurations. Our analysis indicates the optimal control-communication co-design operating regimes for practical robots and also compares the QoC performance of standard ROS~2 quality of service (QoS) policies under real-world conditions and showing how RELIABLE QoS offers 51.5% better QoC than BEST-EFFORT under certain experimental settings.
- Abstract（参考訳）: 複雑な環境での協調制御は、確率的無線遅延と信頼性の変動により、ナビゲーション、追跡、衝突回避を低下させることができる。
これらのネットワークによる不確実性は、協調作業中のエネルギー効率の維持を複雑にし、資源の過剰な供給につながる可能性がある。
本稿では,動的衝突回避型ナビゲーションシステムにおいて,従来の作業から実用的なロボットモデルへ制御品質(QoC)フレームワークを拡張することで,この問題に対処する。
私たちのアプローチ
(i)クローズドループ性能に対するエンド・ツー・エンドネットワーク効果のモデル
(II)ネットワーク遅延信頼性に及ぼすロボット動作を規定する各種制御パラメータの影響を系統的に検討する
3) 各種遅延,信頼性,制御構成の異なるプライベート5Gテストベッドの実験を通じて,これらのモデルを検証する。
本分析は,実用ロボットにおける最適制御通信協調動作機構を示し,実環境下での標準的なROS~2品質サービス(QoS)ポリシーのQoC性能を比較し,実験条件下でのRELIABLE QoSがBEST-EFFORTよりも51.5%優れたQoCを提供することを示す。
関連論文リスト
- Coupled Control and Wireless World Models for Resilient Remote Robotic Control [26.76550154183091]
本稿では,JEPA(Joint Embedding Predictive Architecture)と結合制御に基づく通信対応遠隔ロボット制御フレームワークを提案する。
学習した潜伏表現は、将来のロボットの状態と無線条件を共同で予測することにより、予測的な通信スケジューリングを可能にする。
適応型レジリエンス機構は、潜時予測の不一致を検出し、知覚埋め込みを効率よく適応して、無線および視覚環境の変化に対応する。
論文 参考訳（メタデータ） (2026-09-04T08:09:55Z) - 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) - Adaptive RAN Slicing Control via Reward-Free Self-Finetuning Agents [26.34195733862222]
本稿では,エージェントシステムが環境との直接対話を通じて継続的に学習することを可能にする,新たな自己ファインタニングフレームワークを提案する。
本フレームワークは,対話履歴から好みのデータセットを構築するために,自律的な言語フィードバックを生成するバイパースペクティブ・リフレクション機構を実装している。
その後の嗜好に基づく微調整プロセスは、長い水平体験をモデルのパラメータに蒸留する。
実験結果から,我々のフレームワークは,サンプル効率,安定性,マルチメトリック最適化において,標準強化学習(RL)ベースラインと既存のLarge Language Model(LLM)ベースエージェントよりも優れていた。
論文 参考訳（メタデータ） (2026-03-11T09:14:56Z) - Designing Control Barrier Function via Probabilistic Enumeration for Safe Reinforcement Learning Navigation [55.02966123945644]
本稿では,ニューラルネットワーク検証技術を利用して制御障壁関数(CBF)とポリシー修正機構の設計を行う階層型制御フレームワークを提案する。
提案手法は,安全なCBFベースの制御層を構築するために使用される,安全でない操作領域を特定するための確率的列挙に依存する。
これらの実験は、効率的なナビゲーション動作を維持しながら、安全でない動作を補正する提案手法の能力を実証するものである。
論文 参考訳（メタデータ） (2025-04-30T13:47:25Z) - Wireless Human-Machine Collaboration in Industry 5.0 [75.78721184383897]
ワイヤレス・ヒューマン・マシン・コラボレーションは産業5.0にとって重要な進歩である。
安定性解析は、閉ループ系がモデルランダム性の下でどのように振る舞うかを証明している。
本稿では,マシンと人体制御のための2つの無線ループを組み込んだ基本WHMCモデルを確立する。
論文 参考訳（メタデータ） (2024-10-18T03:44:10Z) - Communication-Control Codesign for Large-Scale Wireless Networked Control Systems [80.30532872347668]
無線ネットワーク制御システム(Wireless Networked Control Systems, WNCS)は、ドローン群や自律ロボットなどのアプリケーションにおいて柔軟な制御を可能にする産業用4.0に必須である。
本稿では,マルチ状態マルコフブロックフェーディングチャネル上で限られた無線リソースを共有するセンサやアクチュエータを用いて,複数の制御ループ間の相関ダイナミクスを捕捉する実用的WNCSモデルを提案する。
本研究では,ハイブリッドな動作空間を効率的に処理し,通信制御の相関関係を捉え,疎域変数や浮動小数点制御の入力に拘わらず堅牢なトレーニングを確実にするDeep Reinforcement Learning (DRL)アルゴリズムを開発した。
論文 参考訳（メタデータ） (2024-10-15T06:28:21Z) - Growing Q-Networks: Solving Continuous Control Tasks with Adaptive Control Resolution [51.83951489847344]
ロボット工学の応用において、スムーズな制御信号はシステム摩耗とエネルギー効率を減らすために一般的に好まれる。
本研究では,離散的な動作空間を粗い状態から細かい制御分解能まで拡大することにより,この性能ギャップを埋めることを目的とする。
我々の研究は、値分解とアダプティブ・コントロール・リゾリューションが組み合わさることで、単純な批判のみのアルゴリズムが得られ、連続制御タスクにおいて驚くほど高い性能が得られることを示唆している。
論文 参考訳（メタデータ） (2024-04-05T17:58:37Z) - Structured Deep Neural Network-Based Backstepping Trajectory Tracking Control for Lagrangian Systems [9.61674297336072]
提案したコントローラは、任意の互換性のあるニューラルネットワークパラメータに対してクローズループ安定性を確保することができる。
モデル近似誤差や外乱の存在下では、閉ループ安定性と追従制御性能が保証されることが示されている。
論文 参考訳（メタデータ） (2024-03-01T09:09:37Z) - Integrating DeepRL with Robust Low-Level Control in Robotic Manipulators for Non-Repetitive Reaching Tasks [0.24578723416255746]
ロボット工学では、現代の戦略は学習に基づくもので、複雑なブラックボックスの性質と解釈可能性の欠如が特徴である。
本稿では, 深部強化学習(DRL)に基づく衝突のない軌道プランナと, 自動調整型低レベル制御戦略を統合することを提案する。
論文 参考訳（メタデータ） (2024-02-04T15:54:03Z) - 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) - OSCAR: Data-Driven Operational Space Control for Adaptive and Robust
Robot Manipulation [50.59541802645156]
オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。
本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。
本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2021-10-02T01:21:38Z)
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。