論文の概要: A bioinspired internal model-based online estimator for planar pursuit

• arxiv url: http://arxiv.org/abs/2609.25470v1
• Date: Mon, 21 Sep 2026 22:53:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.138895
• Title: A bioinspired internal model-based online estimator for planar pursuit
• Title（参考訳）: バイオインスパイアされた内部モデルに基づく平面追跡のためのオンライン推定装置
• Abstract要約: 本稿では,バイオインスパイアされた内部モデルに基づく部分的な感覚観察と既知の自己運動から量の再構成を行うための推定器を開発した。 状態再構成は、相対運動学を制約として扱い、内部モデル出力と搭載センサーによる測定との相違を最小限に抑える最適化問題として提案される。
• 参考スコア（独自算出の注目度）: 1.5530545570245866
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Bioinspired feedback controls for pursuit, tracking, and collective motion are often expressed in terms of the relative configuration between interacting agents. In practice, however, onboard sensors may not directly provide all quantities required for feedback control, necessitating estimation of unobserved quantities. This paper develops a bioinspired internal model-based estimator for reconstructing those quantities from partial sensory observations and known self-motion. State reconstruction is posed as an optimization problem that treats the relative kinematics as constraints and minimizes the disagreement between the internal model outputs and measurements from onboard sensors. Pontryagin's Maximum Principle is used to derive the necessary optimality conditions. A forward-backward algorithm is used to provide a numerical solution and a moving horizon formulation is employed for online implementation. The estimator is evaluated numerically against classical state estimators. Real-time implementation of the proposed framework on robotic hardware is demonstrated through two pursuit strategies.
• Abstract（参考訳）: バイオインスパイアされたフィードバックコントロールは、相互作用するエージェント間の相対的な構成でしばしば表現される。 しかし、実際には、搭載されたセンサーは、観測されていない量の推定を必要とするフィードバック制御に必要な全ての量を直接提供しない可能性がある。 本稿では,バイオインスパイアされた内部モデルを用いた部分的な感覚観察と既知の自己運動から,これらの量を再構築するための推定器を開発した。 状態再構成は、相対運動学を制約として扱い、内部モデル出力と搭載センサーによる測定との相違を最小限に抑える最適化問題として提案される。 ポントリャーギンの最大原理は必要な最適条件を導出するために用いられる。 前向きのアルゴリズムを用いて数値解を提供し、オンライン実装には移動地平線定式化を用いる。 推定器は古典的状態推定器に対して数値的に評価される。 ロボットハードウェア上でのフレームワークのリアルタイム実装は,2つの追従戦略によって実証される。

関連論文リスト

• Large Vision-Language Models Get Lost in Attention [51.851592109135716]
  本稿では,情報理論と幾何に基づく統合フレームワークを提案し,残差更新の幾何的およびエントロピー的性質を定量化する。 注意は再設定に焦点を当てたサブスペース言語演算子として機能し、FFNはセマンティックイノベーションを駆動するサブスペース言語演算子として機能します。
  論文  参考訳（メタデータ） (2026-05-07T04:45:52Z)
• ULTRA: Unified Multimodal Control for Autonomous Humanoid Whole-Body Loco-Manipulation [55.467742403416175]
  本稿では,大規模モーションキャプチャをヒューマノイドに変換する物理駆動型ニューラルネットワークを提案する。 我々は高密度参照とスパースタスク仕様の両方をサポートする統合マルチモーダルコントローラを学習する。 その結果,ULTRAは自我中心の知覚から,自律的,目標条件付き全体ロコ操作に一般化することが示された。
  論文  参考訳（メタデータ） (2026-03-03T18:59:29Z)
• Amortized Active Generation of Pareto Sets [48.56811624922571]
  A-GPSは、オンラインの離散ブラックボックスマルチオブジェクト最適化のための新しいフレームワークである。 メソッドは、非支配関係を予測するためにクラス確率推定器を使用する。 この非支配的CPEは,超ボリューム改善の確率を暗黙的に見積もっている。
  論文  参考訳（メタデータ） (2025-10-23T23:49:23Z)
• Koopman Eigenfunction-Based Identification and Optimal Nonlinear Control of Turbojet Engine [0.0]
  ガスタービンエンジンは複雑で非線形な力学系である。 物理ベースのモデルを導出するのは、必ずしも利用できないパフォーマンス特性を必要とするため、難しい場合があります。 本稿では,コンポーネントレベルおよび局所線形パラメータ変動モデルの導出に用いる従来の実験手法の限界について論じる。
  論文  参考訳（メタデータ） (2025-05-15T15:55:13Z)
• Consensus-Adaptive RANSAC [104.87576373187426]
  本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。 注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
  論文  参考訳（メタデータ） (2023-07-26T08:25:46Z)
• MotionHint: Self-Supervised Monocular Visual Odometry with Motion Constraints [70.76761166614511]
  モノクローナルビジュアル・オドメトリー(VO)のための新しい自己教師型アルゴリズムMotionHintを提案する。 我々のMotionHintアルゴリズムは、既存のオープンソースSSM-VOシステムに容易に適用できる。
  論文  参考訳（メタデータ） (2021-09-14T15:35:08Z)

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。