論文の概要: Moving Horizon Estimation for Quadrotors: An $\mathcal{L}_1$ Adaptive Optimizer Approach

• arxiv url: http://arxiv.org/abs/2609.30777v1
• Date: Fri, 25 Sep 2026 04:01:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.224564
• Title: Moving Horizon Estimation for Quadrotors: An $\mathcal{L}_1$ Adaptive Optimizer Approach
• Title（参考訳）: 擬ドロレータの移動水平推定:$\mathcal{L}_1$ Adaptive Optimizer Approach
• Abstract要約: 移動水平推定(英: moving Horizon Estimation, MHE)は、有限水平最適化に基づく状態推定法である。 線形滑らかなMHEの定式化を高密度二次計画と連続時間ニュートン法からなる解法として提案する。
• 参考スコア（独自算出の注目度）: 9.905880835609015
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Moving Horizon Estimation (MHE) is a state estimation method based on finite-horizon optimization that can offer higher accuracy at the cost of increased computation compared to Kalman filter-based approaches. We present a linear smoothing MHE formulation as a dense Quadratic Program (QP), and a solver consisting of a continuous-time Newton's method augmented with the $\mathcal{L}_1$ Adaptive Optimizer ($\mathcal{L}_1$-AO). While MHE is inherently time-varying, conventional approaches treat it as a sequence of independent, time-invariant problems and employ iterative solvers at each time step, which can be both inaccurate and computationally burdensome. In contrast, time-varying solvers track the optimal solution with fewer iterations by exploiting the temporal evolution of the problem, thereby reducing the computational load. In this research, we enhance both the performance and efficiency of MHE through a time-varying solver with an $\mathcal{L}_1$-AO augmentation that compensates for the prediction inaccuracy, which is common in practice due to noisy sensors and the lack of prior knowledge of the system. Simulation results on a quadrotor platform show that the $\mathcal{L}_1$-AO-augmented approach solves the MHE optimization problem more efficiently than the baseline time-invariant solver and achieves higher estimation accuracy under challenging conditions, compared with both the Extended Kalman Filter and the standard MHE.
• Abstract（参考訳）: 移動水平推定(英: moving Horizon Estimation, MHE)は、有限水平最適化に基づく状態推定手法であり、カルマンフィルタに基づく手法と比較して計算量増加のコストで高い精度を提供することができる。 線形平滑なMHEの定式化を擬似プログラム(QP)として提案し, 連続時間ニュートン法を$\mathcal{L}_1$Adaptive Optimizer$\mathcal{L}_1$-AOで拡張した解法を提案する。 MHEは本質的に時間的変化があるが、従来の手法では独立で時間的不変な問題の列として扱い、各ステップで反復解法を用いる。 対照的に、時間変化の解法は、問題の時間的進化を利用して最適な解をより少ない反復で追跡し、計算負荷を低減させる。 本研究では,ノイズセンサやシステムの事前知識の欠如により現実的に発生する予測不正確さを補う,$\mathcal{L}_1$-AO拡張による時間変化解法により,MHEの性能と効率の両立を図る。 四元数プラットフォーム上でのシミュレーションの結果、$\mathcal{L}_1$-AO-augmentedアプローチは、ベースライン時間不変解法よりもMHE最適化問題を効率的に解き、拡張Kalmanフィルタと標準MHEと比較して、挑戦条件下で高い推定精度を達成することを示した。

関連論文リスト

• Entropy-Constrained Adaptive Stochastic Quantization [18.204242530505308]
  アダプティブ量子化(ASQ)は、最近導入された量子化手法であり、不偏性を維持しながら与えられた入力に対して平均二乗誤差(MSE)を最適化する。 エントロピー制約適応量子化(ECASQ)問題を定式化し、適応量子化値を共同で選択し、エントロピー予算の下でMSEを最小化する。 我々は、長さdベクトルとほとんどのs量子化値に対して、$O(sd2)$ timeと$O(d2)$ spaceを持つ最適な動的プログラムと、$O(sd)を持つGPUフレンドリーな近似プログラムを与える。
  論文  参考訳（メタデータ） (2026-08-10T17:32:40Z)
• Learning the Riccati solution operator for time-varying LQR via Deep Operator Networks [13.357666564741153]
  有限水平線形二次レギュレータ(LQR)問題における微分リカティ方程式の繰り返し数値解を置き換えるための計算フレームワークを提案する。 新しいシステムインスタンスごとに非線形行列値微分方程式を解く代わりに、関連する解作用素の近似をオフラインで構築する。 得られたモデルは、広範囲のシステムにまたがる近似最適フィードバックの高速なオンライン評価を可能にする。
  論文  参考訳（メタデータ） (2026-04-20T16:56:34Z)
• Natural Hypergradient Descent: Algorithm Design, Convergence Analysis, and Parallel Implementation [5.754044493040163]
  Natural Hypergradient Descent (NHGD) は二段階最適化問題の解法である。 我々の主な理論的貢献は、NHGDの高確率誤差境界とサンプル複雑性保証を確立することである。 代表的二段階学習課題に関する実証評価は、NHGDの実用的利点を示している。
  論文  参考訳（メタデータ） (2026-02-11T14:31:33Z)
• Accelerating Cutting-Plane Algorithms via Reinforcement Learning Surrogates [49.84541884653309]
  凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。 多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。 そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
  論文  参考訳（メタデータ） (2023-07-17T20:11:56Z)
• A Deep Unrolling Model with Hybrid Optimization Structure for Hyperspectral Image Deconvolution [50.13564338607482]
  本稿では,DeepMixと呼ばれるハイパースペクトルデコンボリューション問題に対する新しい最適化フレームワークを提案する。 これは3つの異なるモジュール、すなわちデータ一貫性モジュール、手作りの正規化器の効果を強制するモジュール、および装飾モジュールで構成されている。 本研究は,他のモジュールの協調作業によって達成される進歩を維持するために設計された,文脈を考慮した認知型モジュールを提案する。
  論文  参考訳（メタデータ） (2023-06-10T08:25:16Z)
• Neural Solvers for Fast and Accurate Numerical Optimal Control [12.80824586913772]
  本稿では,固定的な計算予算が与えられた場合,最適化された制御ポリシーの品質を向上させるための技術を提供する。 我々は、微分方程式解法とニューラルネットワークをハイブリダイズする超解法アプローチにより、上記のことを達成した。
  論文  参考訳（メタデータ） (2022-03-13T10:46:50Z)
• Adaptivity and Non-stationarity: Problem-dependent Dynamic Regret for Online Convex Optimization [70.4342220499858]
  本稿では,スムーズさを生かし,問題依存量による動的後悔のT$への依存を補う新しいオンラインアルゴリズムを提案する。 この結果が本質的な難易度に適応しているのは, 既往の結果よりも厳密であり, 最悪の場合, 同一レートの保護が可能であるからである。
  論文  参考訳（メタデータ） (2021-12-29T02:42:59Z)
• Momentum Accelerates the Convergence of Stochastic AUPRC Maximization [80.8226518642952]
  高精度リコール曲線(AUPRC)に基づく領域の最適化について検討し,不均衡なタスクに広く利用されている。 我々は、$O (1/epsilon4)$のより優れた反復による、$epsilon$定常解を見つけるための新しい運動量法を開発する。 また,O(1/epsilon4)$と同じ複雑さを持つ適応手法の新たなファミリを設計し,実際により高速な収束を享受する。
  論文  参考訳（メタデータ） (2021-07-02T16:21:52Z)
• Balancing Rates and Variance via Adaptive Batch-Size for Stochastic Optimization Problems [120.21685755278509]
  本研究は,ステップサイズの減衰が正確な収束に必要であるという事実と,一定のステップサイズがエラーまでの時間でより速く学習するという事実のバランスをとることを目的とする。 ステップサイズのミニバッチを最初から修正するのではなく,パラメータを適応的に進化させることを提案する。
  論文  参考訳（メタデータ） (2020-07-02T16:02:02Z)
• Convergence of adaptive algorithms for weakly convex constrained optimization [59.36386973876765]
  モローエンベロープの勾配のノルムに対して$mathcaltilde O(t-1/4)$収束率を証明する。 我々の分析では、最小バッチサイズが1ドル、定数が1位と2位のモーメントパラメータが1ドル、そしておそらくスムーズな最適化ドメインで機能する。
  論文  参考訳（メタデータ） (2020-06-11T17:43:19Z)

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。