論文の概要: Wheel-loader V-Cycle Automation with Deep Koopman MPC

• arxiv url: http://arxiv.org/abs/2609.26580v1
• Date: Tue, 22 Sep 2026 15:27:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 01:05:39.727006
• Title: Wheel-loader V-Cycle Automation with Deep Koopman MPC
• Title（参考訳）: ディープクープマンMPCを用いたホイールローダVサイクル自動化
• Abstract要約: 本稿では,長距離幾何計画とデータ駆動型予測制御を組み合わせた自動車輪ローダ動作のための階層的枠組みを提案する。 車両の動力学を捉えるために,2つのデータ駆動深部双線形クープマンモデルが前方および逆運動に対して学習される。 その結果、コントローラは50msの実行ループ内でリアルタイムに動作します。
• 参考スコア（独自算出の注目度）: 1.2940179504891027
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The repeated forward-reverse maneuvers performed by wheel loaders during earthmoving operations make them well suited for automation. However, the nonlinear dynamics of articulated vehicles and complex vehicle-terrain interactions limit the effectiveness of conventional model-based approaches. This paper presents a hierarchical framework that combines long-horizon geometric planning with data-driven predictive control for autonomous wheel-loader operation. A reduced-order articulated kinematic model is used to generate the maneuver geometry, where the forward and reverse trajectories are jointly optimized through a shared intermediate state. To capture the vehicle dynamics, two data-driven deep bilinear Koopman models are learned for the forward and reverse motions using data generated from high-fidelity simulations in Algoryx Dynamics. The learned Koopman representations are subsequently incorporated into a computationally efficient model predictive control (MPC) formulation for trajectory tracking. The resulting controller operates in real time within a 50-ms execution loop. High-fidelity simulation results demonstrate that the proposed end-to-end framework enables accurate and computationally efficient execution of wheel-loader V-cycle maneuvers, providing a promising approach toward autonomous operation of articulated heavy-duty machinery.
• Abstract（参考訳）: 土作業中に車輪ローダーが繰り返し行う前後の操作は自動化に適している。 しかし, 車両の非線形力学と複雑な車両とテランの相互作用は, 従来のモデルに基づくアプローチの有効性を制限している。 本稿では,長距離幾何計画とデータ駆動型予測制御を組み合わせた自動車輪ローダ動作のための階層的枠組みを提案する。 縮小階調音キネマティックモデルを用いて、前方と後方の軌跡を共有中間状態を通じて共同最適化する操作形状を生成する。 車両力学を捉えるために、アルゴリクス・ダイナミクスの高忠実度シミュレーションから生成されたデータを用いて、前方および逆運動に対して2つのデータ駆動深部双線形クープマンモデルが学習された。 学習したクープマン表現はその後、軌道追跡のための計算効率の良いモデル予測制御(MPC)に組み込まれる。 その結果、コントローラは50msの実行ループ内でリアルタイムに動作します。 高忠実度シミュレーションの結果、提案するエンドツーエンドフレームワークは、車輪ローダのVサイクル操作の正確かつ効率的な実行を可能にし、調音重畳機械の自律運転に向けて有望なアプローチを提供する。

関連論文リスト

• Physics-Informed Reinforcement Learning of Spatial Density Velocity Potentials for Map-Free Racing [73.88859384645264]
  Out-Of-Distribution (OOD) の様々なレーストラックへの一般化は、機械学習(ML)を用いて、エンドツーエンド制御のためのセンサデータと車両アクチュエーターの間の数学的関係を符号化する。 本稿では,非幾何学的,物理インフォームド報酬を用いた深度測定のスペクトル分布から非線形車両動特性をパラメータ化して,ニューラルネットワーク(ANN)による車両の時間最適・乗換レース制御を推定するDRL法を提案する。 このポリシーは、経験的なパセジカタイヤモデルに似たタイヤのダイナミックスで摩擦円を最大化することで、OODトラックの12%で人間のデモより優れています。
  論文  参考訳（メタデータ） (2026-04-10T17:12:07Z)
• Koopman Operator Framework for Modeling and Control of Off-Road Vehicle on Deformable Terrain [0.0]
  本研究は、自動オフロード車両の予測制御のためのハイブリッド物理インフォームドおよびデータ駆動モデリングフレームワークを提案する。 コープマン線形システムは、変形可能な地形を走行する車両のシミュレーションデータを用いて構築することができる。 予測結果から,軽度地形-標高変動下での短時間水平精度とロバスト性を示した。
  論文  参考訳（メタデータ） (2026-03-30T20:11:23Z)
• Physics-informed Deep Mixture-of-Koopmans Vehicle Dynamics Model with Dual-branch Encoder for Distributed Electric-drive Trucks [19.506735422845182]
  複合分散電動車(DET)に適したデータ駆動動的モデリング手法を提案する。 まず、動的状態を符号化し、KODEと題するクープマン方式の強力な基盤を提供する新しいデュアルブランチエンコーダを提案する。 エンコーダとクープマン演算子の両方の効果的な学習を容易にするために、物理インフォームド監視機構をトレーニングプロセスに組み込む。
  論文  参考訳（メタデータ） (2026-03-18T06:47:40Z)
• Co-Design of Rover Wheels and Control using Bayesian Optimization and Rover-Terrain Simulations [0.3131740922192114]
  本稿では, 変形可能な地形における高忠実度フルサイクルシミュレーションを用いて, ローバーホイール形状と操舵制御パラメータを共設計する枠組みを提案する。 車輪と制御パラメータの同時同時最適化と,機械設計と制御設計を分離する逐次的アプローチの2つの戦略を比較した。 3000以上のフルサイクルシミュレーションが実施され、キャンペーンは5日から9日で終了する。
  論文  参考訳（メタデータ） (2026-02-02T02:10:34Z)
• Deep Bilinear Koopman Model for Real-Time Vehicle Control in Frenet Frame [0.0]
  本稿では,カービリニアFrenetフレーム内の車両力学のモデリングと制御のための深いクープマン手法を提案する。 提案フレームワークは、深層ニューラルネットワークアーキテクチャを使用して、データからクープマン演算子とその関連する不変部分空間を同時に学習する。 提案した制御器は, ベースライン制御器と比較して追従誤差を著しく低減し, 組込み自動運転車システムにおけるリアルタイム実装に適していることを確認した。
  論文  参考訳（メタデータ） (2025-07-16T18:49:44Z)
• Multi-Step Deep Koopman Network (MDK-Net) for Vehicle Control in Frenet Frame [0.0]
  本稿では、深層ニューラルネットワークを用いて全車動特性を捉える、新しいディープラーニングベースのクープマンモデリング手法を提案する。 二重車線変更操作において, 同定線形モデルと比較して, クープマンモデルの精度が優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-04T20:57:38Z)
• Autonomous Vehicle Controllers From End-to-End Differentiable Simulation [57.278726604424556]
  そこで我々は,AVコントローラのトレーニングにAPG(analytic Policy gradients)アプローチを適用可能なシミュレータを提案し,その設計を行う。 提案するフレームワークは, エージェントがより根底的なポリシーを学ぶのを助けるために, 環境力学の勾配を役立てる, エンド・ツー・エンドの訓練ループに, 微分可能シミュレータを組み込む。 ダイナミクスにおけるパフォーマンスとノイズに対する堅牢性の大幅な改善と、全体としてより直感的なヒューマンライクな処理が見られます。
  論文  参考訳（メタデータ） (2024-09-12T11:50:06Z)
• Planning with Adaptive World Models for Autonomous Driving [50.4439896514353]
  マルチエージェントインタラクションをキャプチャする実世界のモーションプランニングベンチマークであるnuPlanを提案する。 我々は、グラフ畳み込みニューラルネットワーク(GCNN)であるBehaviorNetを用いて、このようなユニークな振る舞いをモデル化することを学ぶ。 また、モデル予測制御(MPC)ベースのプランナであるAdaptiveDriverについても紹介する。
  論文  参考訳（メタデータ） (2024-06-15T18:53:45Z)
• Trajeglish: Traffic Modeling as Next-Token Prediction [67.28197954427638]
  自動運転開発における長年の課題は、記録された運転ログからシードされた動的運転シナリオをシミュレートすることだ。 車両、歩行者、サイクリストが運転シナリオでどのように相互作用するかをモデル化するために、離散シーケンスモデリングのツールを適用します。 我々のモデルはSim Agents Benchmarkを上回り、リアリズムメタメトリックの先行作業の3.3%、インタラクションメトリックの9.9%を上回ります。
  論文  参考訳（メタデータ） (2023-12-07T18:53:27Z)

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。