論文の概要: Residual Learning-Based Control of Vehicle Platoons with $\ell_2$ Stability Guarantees via Recurrent Equilibrium Networks
- arxiv url: http://arxiv.org/abs/2609.33892v1
- Date: Sun, 27 Sep 2026 20:16:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-04 15:51:28.450295
- Title: Residual Learning-Based Control of Vehicle Platoons with $\ell_2$ Stability Guarantees via Recurrent Equilibrium Networks
- Title（参考訳）: 繰り返し平衡ネットワークによる$\ell_2$安定保証を用いた残留学習型車両プラトン制御
- Abstract要約: 本稿では,異種車両プラトンに対する残差学習に基づく制御フレームワークを提案する。
Recurrent Equilibrium Network (REN) は、保存された軌道と名義モデル予測誤差を用いてオフラインで訓練される。
実験では、名目制御器に対する間隔と速度誤差の低減が示されている。
- 参考スコア（独自算出の注目度）: 8.573240792207903
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper proposes a residual learning-based control framework for heterogeneous vehicle platoons subject to parametric uncertainty and external disturbances. A nominal controller designed via Linear Matrix Inequalities (LMIs), along with disturbance-observer compensation, is enhanced by a Recurrent Equilibrium Network (REN) trained offline using stored trajectories and nominal-model prediction errors. The REN is constrained to satisfy a prescribed $\ell_2$-gain bound, enabling sufficient small-gain conditions for local closed-loop stability and disturbance string stability. Experiments demonstrate reduced spacing and velocity errors relative to the nominal controller.
- Abstract（参考訳）: 本稿では,パラメトリック不確実性と外乱を考慮した異種車両プラトンのための残差学習に基づく制御フレームワークを提案する。
リニア行列不等式(LMI)を介して設計された名目制御器は、リカレント平衡ネットワーク(REN)によって訓練されたオフラインで、格納された軌道と名目モデル予測エラーによって強化される。
RENは所定の$\ell_2$-gein境界を満たすよう制約されており、局所閉ループ安定性と外乱弦安定性に十分な小さなゲイン条件を実現する。
実験では、名目制御器に対する間隔と速度誤差の低減が示されている。
関連論文リスト
- Stability-aware Residual Reinforcement Learning Framework for Robotic Manipulator Disturbance Compensation [0.6906607212334394]
本研究では、分析観測者とRLポリシーを組み合わせた残留強化学習DOBフレームワークを提案する。
6-DOFマニピュレータの実験では、外乱推定と追跡が一貫した改善が見られた。
論文 参考訳（メタデータ） (2026-09-18T04:35:01Z) - A Neural Network Based Teleoperation for Remote Controlled Vehicles [98.38733381483934]
車両の直接遠隔操作は重要な技術的ボトルネックに直面している。
通信遅延とオペレーターの 物理的に知覚できない 未モデル化の環境障害。
本稿では,一方的な遠隔操作フレームワークを提案する。
論文 参考訳（メタデータ） (2026-08-11T01:51:08Z) - Linear Stability Analysis of an INDI Pitch-Rate Controller under Model Mismatch for a Tilt-Rotor VTOL UAV [0.0]
インクリメンタル・ダイナミック・インバージョン(INDI)は、完全な空力モデルへの依存を減らすため、無人航空機(UAV)の飛行制御にとって魅力的である。
本稿では,既存のINDIコントローラのピッチレート/エレベータサブチャネルを分離し,モデルミスマッチ下での線形安定性について検討する。
論文 参考訳（メタデータ） (2026-07-17T19:35:46Z) - Diffusion Controller: Framework, Algorithms and Parameterization [54.82539154511621]
本稿では,逆拡散サンプリングを(一般化された)線形解法マルコフ決定過程における状態のみの制御として活用する統一的な制御理論的視点を提案する。
このフレームワークでは、制御はトレーニング済みのリバースタイムのトランジションカーネルを再重み付けし、端末の目的と$f$分割コストのバランスをとる。
安定拡散v1.4の実験では、選好調整の勝利率が一貫した上昇を示し、品質効率のトレードオフを改善した。
論文 参考訳（メタデータ） (2026-03-07T01:49:59Z) - Verifying Closed-Loop Contractivity of Learning-Based Controllers via Partitioning [52.23804865017831]
本稿では,ニューラルネットワークによるパラメータ化を行う非線形制御系における閉ループ収縮の検証問題に対処する。
我々は、対称メッツラー行列の優越的固有値が非正であることを確かめるために、閉ループの縮約性に対するトラクタブルでスケーラブルな十分条件を導出する。
論文 参考訳（メタデータ） (2025-12-01T23:06:56Z) - Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。
シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。
マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
論文 参考訳（メタデータ） (2025-10-09T04:48:49Z) - Constrained Reinforcement Learning using Distributional Representation for Trustworthy Quadrotor UAV Tracking Control [2.325021848829375]
本研究では, 未知の空力効果に対する分散強化学習障害推定器を統合した新しいトラジェクトリトラッカーを提案する。
提案手法は, 空気力学効果の真値と推定値の不確かさを正確に同定する。
本システムは,最近の技術と比較して,累積追尾誤差を少なくとも70%改善することを示した。
論文 参考訳（メタデータ） (2023-02-22T23:15:56Z) - Learning Stabilizing Controllers for Unstable Linear Quadratic
Regulators from a Single Trajectory [85.29718245299341]
線形2次制御器(LQR)としても知られる2次コストモデルの下で線形制御器を研究する。
楕円形不確実性集合内の全ての系を安定化させる制御器を構成する2つの異なる半定値プログラム(SDP)を提案する。
高い確率で安定化コントローラを迅速に識別できる効率的なデータ依存アルゴリズムであるtextsceXplorationを提案する。
論文 参考訳（メタデータ） (2020-06-19T08:58:57Z) - Adaptive Control and Regret Minimization in Linear Quadratic Gaussian
(LQG) Setting [91.43582419264763]
我々は不確実性に直面した楽観主義の原理に基づく新しい強化学習アルゴリズムLqgOptを提案する。
LqgOptはシステムのダイナミクスを効率的に探索し、モデルのパラメータを信頼区間まで推定し、最も楽観的なモデルのコントローラをデプロイする。
論文 参考訳（メタデータ） (2020-03-12T19:56:38Z)
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。