論文の概要: Optimal Excitation Trajectories for System Identification of Underwater Vehicles

• arxiv url: http://arxiv.org/abs/2609.16786v1
• Date: Tue, 15 Sep 2026 07:56:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.39721
• Title: Optimal Excitation Trajectories for System Identification of Underwater Vehicles
• Title（参考訳）: 水中車両のシステム同定のための最適励起軌道
• Abstract要約: 本研究では,水中車両のシステム同定のための構造化手法を提案する。 軌道はベジエ曲線を用いてパラメータ化され、滑らかで微分可能な運動プロファイルが保証される。 最適化問題を定式化し、動的に実行可能な励起軌道を決定する。
• 参考スコア（独自算出の注目度）: 6.574517227976924
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we propose a structured methodology for the system identification of underwater vehicles through the design of optimal excitation trajectories. To this end, the trajectories are parameterized using Bezier curves, which ensure smooth and differentiable motion profiles while facilitating the enforcement of constraints through appropriate manipulation of the control points. An optimization problem is formulated to determine a dynamically feasible excitation trajectory that respects safety limits and maximizes the quality of the collected data, thereby enabling reliable estimation of the vehicle's dynamic parameters using least squares. The proposed methodology is experimentally validated in a laboratory water tank, where the dynamic parameters, identified from the optimized trajectory, are evaluated by predicting the vehicle's velocity through forward simulation on previously unseen trajectories.
• Abstract（参考訳）: 本研究では, 最適励起軌道設計による水中車両のシステム同定のための構造化手法を提案する。 この目的のために、軌道はBezier曲線を用いてパラメータ化され、制御点の適切な操作による制約の実施を容易にしながら、滑らかで微分可能な運動プロファイルが保証される。 安全限界を尊重し、収集したデータの品質を最大化する動的に実現可能な励起軌道を決定するために最適化問題を定式化し、最小二乗を用いた車両の動的パラメータの信頼性の高い推定を可能にする。 提案手法は実験用水槽において実験的に検証され、最適化された軌道から同定された動的パラメータは、以前に見つからなかった軌道上での前方シミュレーションにより車両の速度を予測することにより評価される。

関連論文リスト

• AutoPath: Learning Transferable Goal-Conditioned Stochastic Path Prior for Safe Navigation Without Human Demonstrations [103.61864552260316]
  動的環境におけるリアルタイムナビゲーションは、限られた知覚下での衝突のない、動的に実現可能な動きを必要とする。 我々は,移動可能な目標整合経路の学習としてナビゲーションを定式化し,局所的な観測に基づいて,目標整合な局所経路上の再利用可能な分布をモデル化する。 我々は、幾何対応の極性行動多様体を用いて局所経路をパラメータ化し、安定かつ安全対応の計画のためのマルチゴール分散ロールアウトによるリスク感応性ユーティリティシェーピングを含む構造化された事前学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-07-13T16:00:41Z)
• Saturation-Aware Robust Trajectory Optimization for Reusable Launch Vehicles via Differentiable Physics [9.011250637911248]
  再利用可能なロケットの高アングル・オブ・アタック・フリップ操作は、ロバストな軌道最適化の課題を示す。 本稿では飽和を考慮したロバスト軌道最適化のための微分可能な物理フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-02T14:30:37Z)
• Bridging Predictive Uncertainty and Safe Action: Sample-Conditioned Differentiable Planning for Autonomous Driving [46.91409391705346]
  複雑でダイナミックでインタラクティブな運転環境は、自動運転に重大な課題をもたらす。 現在のシステムにおける基本的なボトルネックは、高度に表現力のある不確実性モデリングと解釈可能な安全な動き計画との切り離しである。 本稿では, このギャップを埋めるために, 拡散生成将来の軌道を最適化プロセスに明示的に組み込む, サンプル条件付き微分可能計画フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-02T08:10:02Z)
• Natural Functional Gradients for Smooth Trajectory Optimization [11.331190543795914]
  本稿では,自然関数勾配を用いて,関数空間の幾何認識更新を直接行う軌道最適化フレームワークを提案する。 ブラックボックス軌道評価のみを必要とする自然関数勾配の実用的なモンテカルロ推定器を導出する。 制約されたロボット操作タスクの実験は,提案手法が軌道実現性を改善し,よりスムーズな動作を生み出すことを示す。
  論文  参考訳（メタデータ） (2026-05-27T09:25:57Z)
• Motion Cues from Image-based Point Tracking for LiDAR Scene Flow Estimation [59.420015367586615]
  我々は、LiDARシーンフロー推定における動的オブジェクト表現を改善するための追跡誘導フレームワークであるTrackCueを紹介する。 特に、TrackCueは、ポイントトラッキングを再利用して、LiDARポイントに固定された高密度の画像空間軌跡を得る。 TrackCueは動的ラベルの精度とF1スコアを大幅に向上し、自己監督型シーンフロー推定の性能向上につながることを示す。
  論文  参考訳（メタデータ） (2026-05-16T10:28:54Z)
• Receding-Horizon Control via Drifting Models [46.44328012099217]
  ドリフトMPCは、ドリフト生成モデルと未知の力学の下での後退水平計画を組み合わせた。 ドリフトMPCはドリフトモデルの一段階推論効率を維持しつつ, ほぼ最適軌道を生成可能であることを示す。
  論文  参考訳（メタデータ） (2026-04-06T08:48:10Z)
• Spatially-Aware Adaptive Trajectory Optimization with Controller-Guided Feedback for Autonomous Racing [74.83272587893508]
  本稿では,NURBSに基づく軌道表現,CMA-ESグローバル軌道最適化,コントローラ誘導空間フィードバックを組み合わせた自律レースライン最適化フレームワークを提案する。 シミュレーションでは,最大静的加速度をパラメータ化したコントローラと比較して17.38%のラップタイム短縮を実現している。 高摩擦から低摩擦まで様々なタイヤ化合物で試験された実ハードウェアでは、摩擦を明示的にパラメータ化することなく、7.60%のラップタイムの改善が得られる。
  論文  参考訳（メタデータ） (2026-02-17T15:10:44Z)
• Optimizing Control-Friendly Trajectories with Self-Supervised Residual Learning [10.551597725130675]
  現実世界の物理学は、現代の複雑なロボットシステムに対して、一定の精度で解析的にのみモデル化できる。 本稿では、上記の課題に対処するために、自己教師付き残差学習と軌道最適化の枠組みを提案する。
  論文  参考訳（メタデータ） (2026-01-06T06:01:58Z)
• 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)
• Autonomous Vehicle Path Planning by Searching With Differentiable Simulation [55.46735086899153]
  計画では、エージェントが現実世界で実行する前に、アクションを安全に洗練することができる。 自動運転では、衝突を避け、複雑な密集した交通シナリオをナビゲートすることが不可欠である。 本稿では、微分可能シミュレータWaymaxを次の状態予測と批判の両方として活用するフレームワークである、微分可能探索シミュレーション(DSS)を提案する。
  論文  参考訳（メタデータ） (2025-11-14T07:56:34Z)
• Exploiting Prior Knowledge in Preferential Learning of Individualized Autonomous Vehicle Driving Styles [41.94295877935867]
  自動車両の軌道計画では、一般的に移動地平線上を最適化するモデル予測制御を用いる。 乗客に好まれる運転スタイルをもたらす適切なコスト関数を見つけることは、現在進行中の課題である。 我々は、乗客の好みを反復的にクエリすることでコスト関数の学習に優先的なベイズ最適化を用いる。
  論文  参考訳（メタデータ） (2025-03-19T16:47:56Z)
• Gradient-based Trajectory Optimization with Parallelized Differentiable Traffic Simulation [24.95575815501035]
  インテリジェントドライバモデル(IDM)に基づく並列化微分可能交通シミュレータを提案する。 我々の車両シミュレーターは、車両の動きを効率的にモデル化し、現実世界のデータに合うように教師できる軌道を生成する。 このシミュレータを用いて、入力軌跡の雑音をフィルタリングし(軌道フィルタリング)、スパース軌跡から高密度軌跡を再構成し(軌道再構成)、将来の軌跡を予測する。
  論文  参考訳（メタデータ） (2024-12-21T19:53:38Z)
• Integrating Higher-Order Dynamics and Roadway-Compliance into Constrained ILQR-based Trajectory Planning for Autonomous Vehicles [3.200238632208686]
  軌道計画は、自動運転車のグローバルな最適ルートを作成することを目的としている。 既存の自転車キネマティックモデルを用いた実装では、制御可能な軌道は保証できない。 このモデルを、曲率と長手ジャークの1階および2階微分を含む高階項で拡張する。
  論文  参考訳（メタデータ） (2023-09-25T22:30:18Z)
• Path Planning Followed by Kinodynamic Smoothing for Multirotor Aerial Vehicles (MAVs) [61.94975011711275]
  そこで本稿では,RRT*textquotedblrightのテキストを幾何学的にベースとした動き計画手法を提案する。 提案手法では,適応探索空間とステアリング機能を導入したオリジナルのRT*を改良した。 提案手法を様々なシミュレーション環境で検証した。
  論文  参考訳（メタデータ） (2020-08-29T09:55:49Z)
• Learning Control Barrier Functions from Expert Demonstrations [69.23675822701357]
  制御障壁関数(CBF)に基づく安全な制御器合成のための学習に基づくアプローチを提案する。 最適化に基づくCBFの学習手法を解析し、基礎となる力学系のリプシッツ仮定の下で証明可能な安全保証を享受する。 私たちの知る限りでは、これらはデータから確実に安全な制御障壁関数を学習する最初の結果です。
  論文  参考訳（メタデータ） (2020-04-07T12:29:06Z)

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。