論文の概要: Battery-Aware Predictive Trajectory Planning and Control for Multirotors Under Disturbances
- arxiv url: http://arxiv.org/abs/2609.12188v1
- Date: Thu, 10 Sep 2026 20:24:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.54017
- Title: Battery-Aware Predictive Trajectory Planning and Control for Multirotors Under Disturbances
- Title（参考訳）: 倒壊時のマルチロータのバッテリ・アウェア予測軌道計画と制御
- Abstract要約: 本稿では,外乱下で動作するマルチロータのための電池駆動型予測軌道計画・制御フレームワークを提案する。
クローズドループ車-モーター-バッテリ伝搬による候補軌道の評価を行った。
その結果, 軌道選択時の閉ループエネルギとバッテリアクチュエータの予測結果について考察した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a battery-aware predictive trajectory-planning and control framework for multirotors operating under spatially localized disturbances. Candidate trajectories are evaluated through closed-loop vehicle--motor--battery propagation, allowing disturbance-induced control demand, electrical energy, battery evolution, and terminal-voltage-dependent actuator capability to enter the planning process. % A reduced-order battery model is numerically benchmarked against an independently implemented Simscape equivalent-circuit reference, with a power NRMSE of $0.64\%$ and a cumulative-energy discrepancy below $0.7\%$. % In a $150$-s, $640$-m mission containing three disturbance regions, the selected trajectory reduces electrical energy consumption by $7.46\%$ and position-tracking RMSE by approximately $72\%$ relative to the disturbance-aware fixed-reference baseline. % Planner ablations show that battery-dependent terms are nonbinding at nominal SOC but alter the selected trajectory under a depleted-battery stress condition. % Execution with multiple feedback controllers further demonstrates that controller selection changes the tradeoff among tracking accuracy, energy consumption, and actuator utilization. % The results demonstrate the benefit of accounting for predicted closed-loop energetic and battery--actuator consequences during trajectory selection.
- Abstract（参考訳）: 本稿では,空間的局所的乱れの下で動作するマルチロータのための,バッテリ対応予測軌道計画・制御フレームワークを提案する。
クローズドループ車両-モータ・バッテリ伝搬により候補軌道が評価され、乱れによる制御需要、電気エネルギー、電池の進化、端末電圧に依存したアクチュエーターが計画プロセスに入ることができる。
NRMSE は 0.64 %$ で、累積エネルギーの差は 0.7 %$ 以下である。
2.5. % 3つの外乱領域を含む150ドルの640ドルのミッションでは、選択された軌道は電気エネルギー消費を7.46 %、位置追跡のRMSEを約7.2 %削減する。
%Planner ablationsでは,電池依存用語は名目SOCでは非結合性を示すが,劣化した電池ストレス条件下で選択された軌跡を変化させる。
% 複数のフィードバックコントローラによる実行により, トラッキング精度, エネルギー消費, アクチュエータ利用のトレードオフが制御器の選択によって変化することを示す。
その結果, 軌道選択時の閉ループエネルギーおよびバッテリアクチュエータ効果の予測値について検討した。
関連論文リスト
- Bridging battery design and health assessment through virtual sensing and physics-informed learning [2.8974566456589095]
リチウムイオン電池(LiB)のスーパーチャージは、耐久性、安全性、ユーザの信頼性を確保するために、堅牢な健康モニタリングを必要とする。
本稿では,仮想センシングを用いた物理インフォームド・ラーニング・フレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-18T15:59:29Z) - Robustness of Reinforcement Learning-Based Congestion Management in Low-Voltage Grids [39.64197235904564]
本研究は、ランダムフォレスト違反事前分類器とアクタクリティカルコントローラを組み合わせることにより、混雑検知と制御を分離する。
このフレームワークは、可観測性と制御性の低い合成将来の運用シナリオを使用して、実際の低電圧グリッド上でテストされる。
論文 参考訳（メタデータ） (2026-07-17T14:39:48Z) - Identification of a Physics-Based Electrical Power Consumption Model for the Unitree G1 Humanoid Arm [41.90412270641482]
本稿では,UnitreeG1ヒューマノイドロボットの左腕の電力消費に関する物理モデルを提案する。
提案した定式化は、アクチュエータ損失項とベースライントルク補正を組み合わせることで、重力補償負荷の変化を捉える。
シングルジョイントとアコーディネートアームの動作を複数の速度レベルでカバーする897トラジェクトリで、同定されたモデルは、1.07 (W)のRMSEで$R2 = 0.933$に達する。
論文 参考訳（メタデータ） (2026-06-14T16:45:07Z) - Motion-Specific Battery Health Assessment for Quadrotors Using High-Fidelity Battery Models [8.332702331786317]
本研究は,四面体における動作認識型電池の健康評価のためのエンド・ツー・エンド・フレームワークを提案する。
まず,実飛行時の動作特定電流プロファイルを捉えるために,広帯域電流検出モジュールを設計する。
高忠実度バッテリモデルを基準性能試験および劣化結合電気化学モデルに基づくメタヒューリスティックを用いて校正する。
論文 参考訳（メタデータ） (2026-03-13T08:52:51Z) - Real-time monitoring of the SoH of lithium-ion batteries [0.0]
バッテリーの健康状態のリアルタイムモニタリングは依然として大きな課題だ。
電荷相の終端における放電パルスの解析に基づく革新的な手法を提案する。
これらの性能が確認できれば、この手法をバッテリ管理システムに簡単に組み込むことができる。
論文 参考訳（メタデータ） (2025-07-08T08:08:53Z) - Robust Deep Reinforcement Learning for Inverter-based Volt-Var Control in Partially Observable Distribution Networks [11.073055284983626]
DRLベースのアプローチの大きな問題は、アクティブな分散ネットワークにおける測定デプロイメントの制限である。
このような問題に対処するために,保守的な批評家と代理的な報酬を持つ堅牢なDRLアプローチを提案する。
論文 参考訳（メタデータ） (2024-08-13T10:02:10Z) - EV-EcoSim: A grid-aware co-simulation platform for the design and
optimization of electric vehicle charging infrastructure [1.3271805797333298]
EV-EcoSimは電気自動車の充電、バッテリーシステム、ソーラー太陽光発電システム、グリッドトランスフォーマー、制御戦略、配電システムを組み合わせたシミュレーションプラットフォームである。
このピソンベースのプラットフォームは、リアルタイム操作のための後退地平線制御スキームと、計画問題のためのワンショット制御スキームを実行することができる。
本研究では,電気自動車充電施設の計画において,電池の完全性は決定を完全に変えることができることを示す。
論文 参考訳（メタデータ） (2024-01-09T18:08:34Z) - Charge Manipulation Attacks Against Smart Electric Vehicle Charging Stations and Deep Learning-based Detection Mechanisms [49.37592437398933]
電気自動車充電ステーション(EVCS)は、グリーントランスポートの実現に向けた重要なステップとなる。
我々は、攻撃者がスマート充電操作中に交換された情報を操作しているEV充電に対する充電操作攻撃(CMA)を調査した。
本稿では,EV充電に関わるパラメータを監視してCMAを検出する,教師なしのディープラーニングに基づくメカニズムを提案する。
論文 参考訳（メタデータ） (2023-10-18T18:38:59Z) - Federated Reinforcement Learning for Electric Vehicles Charging Control
on Distribution Networks [42.04263644600909]
マルチエージェント深部強化学習(MADRL)はEV充電制御において有効であることが証明されている。
既存のMADRLベースのアプローチでは、配電ネットワークにおけるEV充電/放電の自然な電力フローを考慮できない。
本稿では,マルチEV充電/放電と最適電力流で動作する放射分布ネットワーク(RDN)を組み合わせた新しい手法を提案する。
論文 参考訳（メタデータ） (2023-08-17T05:34:46Z) - Federated Reinforcement Learning for Real-Time Electric Vehicle Charging
and Discharging Control [42.17503767317918]
本稿では、動的環境下で異なるEVユーザに対して最適なEV充電/放電制御戦略を開発する。
多様なユーザの行動や動的環境に適合する水平連合強化学習法(HFRL)を提案する。
シミュレーションの結果,提案したリアルタイムEV充電/放電制御戦略は,様々な要因において良好に機能することが示された。
論文 参考訳（メタデータ） (2022-10-04T08:22:46Z) - Regret-optimal Estimation and Control [52.28457815067461]
後悔最適推定器と後悔最適制御器は状態空間形式で導出可能であることを示す。
非線形力学系に対するモデル予測制御(MPC)と拡張KalmanFilter(EKF)の残差最適類似性を提案する。
論文 参考訳（メタデータ） (2021-06-22T23:14:21Z)
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。