論文の概要: A Hybrid PEM-GP Framework for Uncertainty-Aware System Identification of Quadcopters

• arxiv url: http://arxiv.org/abs/2608.30433v1
• Date: Mon, 31 Aug 2026 08:26:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:31.314825
• Title: A Hybrid PEM-GP Framework for Uncertainty-Aware System Identification of Quadcopters
• Title（参考訳）: クアッドコプターの不確実性認識システム同定のためのハイブリッドPEM-GPフレームワーク
• Abstract要約: 本稿では,物理モデルとデータ駆動学習を組み合わせたフレームワークを提案する。 提案したフレームワークはDuckiedroneのような実験装置で検証される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate dynamic models play a central role in achieving reliable control of quadcopters. Classical system identification methods remain widely used, mainly because of their interpretability. However, they often fail to capture important nonlinear effects, especially in small-scale aerial platforms where such effects become more pronounced. Data-driven approaches offer a different perspective. They can represent complex nonlinear dynamics more effectively, but this comes at the cost of reduced interpretability and the absence of well-calibrated uncertainty estimates. In this work, we propose a framework that combines physics-based modeling with data-driven learning, while explicitly accounting for uncertainty. A physics-based model is first identified using the Prediction Error Method (PEM), which captures the main structure of the system. The remaining dynamics are then modeled using a Gaussian Process (GP), allowing the residual behavior to be learned directly from data. This separation makes it possible to distinguish between known physical effects and unmodeled dynamics. The proposed framework is validated on a Duckiedrone-like experimental setup. The results show that the PEM-GP model achieves prediction accuracy comparable to that of a Long Short-Term Memory (LSTM) network, while additionally providing calibrated uncertainty estimates. This combination improves model reliability and supports uncertainty-aware decision-making.
• Abstract（参考訳）: 正確な動的モデルはクワッドコプターの信頼性制御を達成する上で中心的な役割を果たす。 古典的なシステム識別法は、主に解釈可能性のために広く使われている。 しかし、特にそのような効果がより顕著になる小規模の航空プラットフォームでは、重要な非線形効果を捉えることができないことが多い。 データ駆動アプローチは異なる視点を提供する。 複雑な非線形力学をより効果的に表すことができるが、これは解釈可能性の低減とよく校正された不確実性推定の欠如が原因である。 本研究では,物理モデルとデータ駆動学習を組み合わせたフレームワークを提案する。 物理に基づくモデルは、まず予測誤差法(英語版)(PEM)を用いて同定され、システムの主構造を捉える。 残りのダイナミクスはガウス過程(GP)を用いてモデル化され、データから直接残留挙動が学習される。 この分離により、既知の物理的効果と非モデル力学を区別することができる。 提案したフレームワークはDuckiedroneのような実験装置で検証される。 その結果, PEM-GPモデルではLong Short-Term Memory (LSTM) ネットワークに匹敵する予測精度が得られた。 この組み合わせはモデルの信頼性を改善し、不確実性を認識した意思決定をサポートする。

関連論文リスト

• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• Target Parameterization in Diffusion Models for Nonlinear Spatiotemporal System Identification [0.0]
  拡散に基づくモデルでは、最近乱流状態の堅牢性が改善されている。 物理的フィールド上で直接動作する自己完結型パッチベースのトランスフォーマについて検討する。 その結果, クリーンステート予測はロールアウト安定性を向上し, 長期誤差を低減できることがわかった。
  論文  参考訳（メタデータ） (2026-04-19T18:11:14Z)
• Learning Complex Physical Regimes via Coverage-oriented Uncertainty Quantification: An application to the Critical Heat Flux [0.0]
  不確実性定量化(UQ)は、安全性評価ではなく、学習タスク自体への支援と見なされるべきである。 OECD/NEA Expert Group on Reactor Systems Multi-Physicsで発表されたCritical Heat Fluxベンチマークとデータセットに注目した。 ポストホック法は統計的キャリブレーションを保証するが、カバレッジ指向学習は複雑な物理状態に適合するようにモデルの表現を効果的に再評価する。
  論文  参考訳（メタデータ） (2026-02-25T09:04:15Z)
• Hybrid Model Predictive Control with Physics-Informed Neural Network for Satellite Attitude Control [2.7222301668137483]
  信頼性の高い宇宙船の姿勢制御は、姿勢力学の正確な予測に依存する。 複雑な力学を持つ宇宙船では、正確な物理モデルを得るのは難しい、時間を要する、あるいは計算的に重い。 本研究では、宇宙船の姿勢力学をモデル化するための物理情報ニューラルネットワーク(PINN)について検討する。
  論文  参考訳（メタデータ） (2026-02-17T19:08:48Z)
• Fractional-order Modeling for Nonlinear Soft Actuators via Particle Swarm Optimization [49.34452620841728]
  本稿では, ソフト材料の動的挙動を捉えるために, 分数次微分方程式(FODE)に基づく革新的なモデリング手法を提案する。 提案手法は,ソフトアクチュエータに固有の複雑な変形現象を効果的に表現する。
  論文  参考訳（メタデータ） (2025-12-20T04:46:25Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• Learning Robust Satellite Attitude Dynamics with Physics-Informed Normalising Flow [2.7222301668137483]
  宇宙機の姿勢力学の学習に物理インフォームドニューラルネットワークを組み込むことの利点について検討する。 バシリスクシミュレータで生成されたシミュレーションデータに基づいて複数のモデルを訓練する。 PINNベースのモデルは、制御精度とロバスト性の観点から、純粋にデータ駆動モデルよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-08-11T10:50:49Z)
• Plug-and-Play Physics-informed Learning using Uncertainty Quantified Port-Hamiltonian Models [5.1732651331429516]
  この課題に対処するために,Plug-and-Play Physics-In Machine Learning (PIML) フレームワークを導入する。 提案手法では, 固有予測器から物理一貫性モデルへの切り換えを行うために, コンフォメーション予測を用いる。 このようにして、提案するフレームワークは、アウト・オブ・ディストリビューションシナリオであっても、信頼性の高い物理インフォームド予測を生成する。
  論文  参考訳（メタデータ） (2025-04-24T22:25:51Z)
• 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)
• Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
  ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。 本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
  論文  参考訳（メタデータ） (2021-05-17T08:36:18Z)

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。