論文の概要: Generalist AI Control: Towards Multi-purpose Adaptive Algorithms
- arxiv url: http://arxiv.org/abs/2607.16313v1
- Date: Tue, 14 Jul 2026 23:16:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.107387
- Title: Generalist AI Control: Towards Multi-purpose Adaptive Algorithms
- Title（参考訳）: 汎用AI制御 - 多目的適応アルゴリズムを目指して
- Abstract要約: 本稿では,様々な順序やダイナミクスのシステムを制御できる学習型コントローラを提案する。
この手法はマスキングによる注意機構を用いた新しい動的状態空間表現を導入している。
25の多様なシステムから314,630のデモを生成しました。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traditional controllers are designed for specific systems and do not transfer across different system orders and dynamics. We present a Generalist Controller, a learning-based controller capable of controlling systems of varying orders and dynamics. The approach introduces a novel dynamic state-space representation using attention mechanisms with masking, enabling a single neural network, trained in one shot, to handle systems with different dimensions without architectural modifications by assigning a system tag to each system. We generated 314,630 demonstrations from 25 diverse systems, including stable, unstable, minimum-phase, and non-minimum-phase dynamics, spanning linear and nonlinear systems from autonomous underwater and aerospace vehicles to mechanical systems and chemical processes. The model learns cross-system control strategies through multi-scale temporal processing and a mixture-of-experts architecture. Simulation results demonstrate that the proposed generalist controller achieves comparable performance to system-specific LQI controllers across all tested systems, including challenging cases such as non-minimum-phase and unstable dynamics, whilst generalising to unseen operating conditions including actuator saturation, noise, disturbance, and reference trajectories not encountered during training. This work represents a significant step towards generalist control policies within a defined family of dynamical systems, demonstrating effective control across a range of single-input single-output (SISO) systems of varying order and dynamics using a single learned policy without system-specific tuning.
- Abstract（参考訳）: 従来のコントローラは特定のシステム用に設計されており、異なるシステム順序やダイナミクスをまたいで転送することはない。
本稿では,様々な順序やダイナミクスのシステムを制御可能な学習ベースコントローラであるジェネリストコントローラを提案する。
このアプローチでは、マスキングによる注意機構を用いた新しい動的状態空間表現を導入し、単一のニューラルネットワークを1ショットでトレーニングし、システムタグを各システムに割り当てることで、アーキテクチャ上の変更なしに異なる次元のシステムを処理することができる。
安定・不安定・最小位相・非最小位相のダイナミックスを含む25の多種多様なシステムから314,630のデモを発生させ, 自律型水中・航空宇宙車両から機械系・化学プロセスまで, 線形・非線形系にまたがる実験を行った。
このモデルは,マルチスケールの時間的処理と混在型アーキテクチャを用いて,システム間制御戦略を学習する。
シミュレーションの結果,提案したジェネラリストコントローラは,非最小位相や不安定なダイナミクスなどの問題事例を含む全テストシステムにおけるシステム固有のLQIコントローラと同等の性能を達成し,アクチュエータ飽和,ノイズ,障害,基準軌道といった未確認動作条件に一般化した。
この研究は、システム固有のチューニングを伴わない単一の学習ポリシーを用いて、様々な順序およびダイナミクスのシングルインプット・シングルアウトプット(SISO)システムに対する効果的な制御を実証する、動的システムの定義されたファミリー内のジェネラリスト制御ポリシーへの重要なステップを示す。
関連論文リスト
- Learning Context-Aware Neural ODE Dynamics for Adaptive Robotic Control [55.01272784312405]
本稿では,ニューラル常微分方程式に基づく文脈認識力学モデルを提案する。
Sphero BOLTロボットとFanucマニピュレータを実世界の実験で使用した。
論文 参考訳（メタデータ） (2026-06-13T20:55:46Z) - Reinforcement learning in linear embedding space unlocks generalizable control across soft robot configurations [60.42735420750131]
タコや象のトランクのような軟体生物は、顕著な形態的適応性を示す。
近年、様々なソフトロボットが登場し、様々な素材、硬さ、特定のタスクに合わせた形態を特徴としている。
本稿では,多様なソフトロボット構成にまたがる迅速な適応を可能にする汎用制御システムを提案する。
論文 参考訳（メタデータ） (2026-06-06T11:09:46Z) - Control of dynamical systems with neural networks [0.0]
近年のディープラーニングと自動微分の進歩により,これらの手法が問題制御に応用されつつある。
離散時間系および連続時間系における制御入力のパラメータ化にニューラルネットワークと現代の機械学習ライブラリが用いられていることを示す。
生物学、工学、物理学、医学など、複数の分野の応用を強調します。
論文 参考訳（メタデータ） (2025-10-06T19:33:00Z) - Controlling dynamical systems into unseen target states using machine learning [45.84205238554709]
我々は、複雑な力学系を以前に見つからなかったターゲット状態に制御するための、モデルフリーでデータ駆動の方法論を提案する。
提案手法は、観測されていないパラメータ状態におけるシステムの挙動を正確に予測し、任意の目標状態への遷移を制御できるようにする。
論文 参考訳（メタデータ） (2024-12-13T16:21:56Z) - Learning System Dynamics without Forgetting [60.08612207170659]
本研究では,CDL(Continuous Dynamics Learning)の問題,タスク構成の検証,既存手法の適用性について検討する。
本稿では、LG-ODEとサブネットワーク学習の長所をモデムスイッチングモジュールと統合したモードスイッチンググラフODE(MS-GODE)モデルを提案する。
CDLのための生体動態システムの新しいベンチマーク、Bio-CDLを構築し、異なるダイナミクスを持つ多様なシステムを特徴付ける。
論文 参考訳（メタデータ） (2024-06-30T14:55:18Z) - Neural Control: Concurrent System Identification and Control Learning with Neural ODE [13.727727205587804]
ニューラル・コントロール(NC)と呼ばれる未知の力学系を制御するニューラル・ODEに基づく手法を提案する。
本モデルは,対象状態へ誘導する最適制御と同様に,システムダイナミクスを同時に学習する。
実験では,未知の力学系の最適制御を学習するためのモデルの有効性を実証した。
論文 参考訳（メタデータ） (2024-01-03T17:05:17Z) - Sparsity in Partially Controllable Linear Systems [56.142264865866636]
本研究では, 部分制御可能な線形力学系について, 基礎となる空間パターンを用いて検討する。
最適制御には無関係な状態変数を特徴付ける。
論文 参考訳（メタデータ） (2021-10-12T16:41:47Z) - Neural Hybrid Automata: Learning Dynamics with Multiple Modes and
Stochastic Transitions [36.81150424798492]
我々は,モード数やモード間遷移のダイナミクスについて事前知識のないSHSダイナミクスを学習するためのレシピであるNeural Hybrid Automata (NHAs)を紹介した。
NHAは、正規化フロー、ニューラル微分方程式、自己超越に基づく体系的推論手法を提供する。
遷移を伴うシステムにおけるモードリカバリやフローラーニング,階層型ロボットコントローラのエンドツーエンド学習など,さまざまなタスクにおけるNHAについて紹介する。
論文 参考訳（メタデータ） (2021-06-08T08:04:39Z) - Controlling nonlinear dynamical systems into arbitrary states using
machine learning [77.34726150561087]
機械学習(ML)を活用した,新しい完全データ駆動制御方式を提案する。
最近開発されたMLに基づく複雑なシステムの予測機能により、非線形系は任意の初期状態から来る任意の動的対象状態に留まることが証明された。
必要なデータ量が少なく,柔軟性の高いコントロールスキームを備えることで,工学から医学まで幅広い応用の可能性について簡単に議論する。
論文 参考訳（メタデータ） (2021-02-23T16:58:26Z) - Hierarchical Decomposition of Nonlinear Dynamics and Control for System
Identification and Policy Distillation [39.83837705993256]
強化学習(RL)の最近のトレンドは、力学と政策の複雑な表現に焦点を当てている。
制御コミュニティからインスピレーションを得て、複雑なダイナミクスをより単純なコンポーネントに分解するために、ハイブリッドスイッチングシステムの原則を適用します。
論文 参考訳（メタデータ） (2020-05-04T12:40:59Z)
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。