論文の概要: Statistical Learning of Contractive Dynamical Representations for Composite Adaptive Control
- arxiv url: http://arxiv.org/abs/2609.35758v1
- Date: Mon, 28 Sep 2026 17:59:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 19:07:16.243182
- Title: Statistical Learning of Contractive Dynamical Representations for Composite Adaptive Control
- Title（参考訳）: 複合適応制御のための契約動的表現の統計的学習
- Abstract要約: 動的に結合された外乱下での複合適応追従制御のための表現学習フレームワークを提案する。
このフレームワークは、古典的外乱調節制御(DAC)と最近の最終層適応外乱除去法を結びつけている。
- 参考スコア（独自算出の注目度）: 6.187666864968302
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a representation-learning framework for composite adaptive tracking control under dynamically coupled disturbances. The framework connects classical disturbance-accommodating control (DAC) to recent last-layer adaptive disturbance-rejection methods. Specifically, we introduce a statistically principled hard expectation-maximization (hard-EM) procedure, with a Kalman smoother in the hard E-step, to identify dynamical representations of disturbance whose latent evolution is uniformly contractive. The learned representation evolves a latent disturbance-excitation state from measured plant features and control inputs and decodes that state into the time-varying disturbance acting on the nominal plant, thereby extending prior "fixed-decay" last-layer adaptive methods to a learned, predictive DAC-style formulation. Combined with Bayesian filtering of the learned latent state, this representation yields a composite adaptive tracking controller with predictive capability and provable exponential convergence to a bounded neighborhood. We validate our approach experimentally on a slippery ground vehicle carrying a liquid-sloshing tank and a pendulum load, and we further assess its robustness on a system of coupled Duffing oscillators. Across both settings, the method achieves accurate disturbance prediction and improved overall tracking performance relative to fixed-decay representation-learning ablations, LTI disturbance-accommodating baselines, and model-based PD baselines.
- Abstract（参考訳）: 動的に結合された外乱下での複合適応追従制御のための表現学習フレームワークを提案する。
このフレームワークは、古典的外乱調節制御(DAC)と最近の最終層適応外乱除去法を結びつけている。
具体的には、ハードEステップにおいてカルマンスムーズなカルマンを用いた統計的に原理化されたハード期待最大化(hard-EM)手順を導入し、潜在進化が一様に収縮する外乱の動的表現を同定する。
学習された表現は、測定された植物の特徴と制御された入力から潜時外乱励起状態を進化させ、その状態を名目植物に作用する時間変化外乱にデコードし、事前の「固定デカイ」最終層適応法を学習的で予測可能なDACスタイルの定式化に拡張する。
学習した潜在状態のベイズフィルタと組み合わせて、この表現は、予測能力と証明可能な指数収束性を備えた複合適応トラッキングコントローラを有界近傍に生成する。
本手法は液浸タンクと振り子負荷を積んだ滑空地車両において実験的に検証し, 結合ダッフィング発振器システム上でのロバスト性をさらに評価した。
両設定で精度の高い外乱予測を実現し、不確定表現学習、LTI外乱調整ベースライン、モデルベースPDベースラインに対する全体的な追従性能を改善した。
関連論文リスト
- Interpreting Control Latents for System Identification via Conditional Flow Matching [13.781988133863209]
制御潜水器を物理モデルアンサンブルに変換し,チューニング,ロバスト性解析,凍結適応ポリシの診断を行う。
これらの結果から,制御潜伏剤を物理モデルアンサンブルに変換し,チューニング,ロバストネス解析,凍結適応ポリシの診断を行うことができた。
論文 参考訳（メタデータ） (2026-08-24T22:54:44Z) - IADD-TR: Intervention-Aware Dynamics Decoupling with Targeted Regularization for Model-Based Reinforcement Learning [57.16513298507272]
IADD-TRは、IADD(Intervention-Aware Dynamics Decoupling)とTR(Targeted Regularization)を組み合わせた統合フレームワークである。
IADDは、ゼロアクションアンカーを用いて、アクション干渉段階とアクションフリー自然進化段階への遷移を分解し、堅牢な一般化のためにこの2段階の分解の非特異性を解決する。
政策学習においては,リプレイ状態の政策段階関数の効率的な影響関数からTRを導出する。
論文 参考訳（メタデータ） (2026-08-11T08:20:02Z) - MoASE++: Mixture of Activation Sparsity Experts with Domain-Adaptive On-policy Distillation for Continual Test Time Adaptation [65.068801413044]
連続的なテスト時間適応は、非定常な未ラベルのターゲットストリームにソース予測モデルを適用する。
ドメインに依存しない構造をドメイン固有のテクスチャから切り離す。
論文 参考訳（メタデータ） (2026-05-18T01:52:12Z) - Mitigating Error Amplification in Fast Adversarial Training [58.74042726356826]
FAT(Fast Adversarial Training)は、ネットワークに摂動不変表現の学習を促すことによって、モデルロバスト性の向上に有効であることが証明されている。
FATは、しばしば破滅的なオーバーフィッティング(CO)に悩まされ、モデルがトレーニングアタックに過度に適合し、目に見えないものへの一般化に失敗する。
本稿では、摂動予算と監視信号の両方を動的に調整する分散対応動的ガイダンス(DDG)戦略を提案する。
論文 参考訳（メタデータ） (2026-04-27T11:23:18Z) - Adaptive Conformal Anomaly Detection with Time Series Foundation Models for Signal Monitoring [1.7149326108409726]
時系列監視のためのポストホック適応型共形異常検出法を提案する。
本手法は,誤報率(p値)として直接解釈可能な,解釈可能な異常スコアを生成する。
モデルに依存しないソリューションとして、ファンデーションモデルとシームレスに統合し、リソース制約のある環境での迅速なデプロイをサポートする。
論文 参考訳（メタデータ） (2026-04-22T02:39:46Z) - Dual-Stage Invariant Continual Learning under Extreme Visual Sparsity [8.16821029459195]
背景駆動の勾配は、連続的なドメインシフトの間、機能のバックボーンを不安定にすることを示す。
連成蒸留による二段階不変連続学習フレームワークを提案する。
高分解能空間ベース RSO 検出データセットの実験は、確立された連続物体検出法よりも一貫した改善を示す。
論文 参考訳（メタデータ） (2026-03-27T09:03:49Z) - Adaptive Manipulation Potential and Haptic Estimation for Tool-Mediated Interaction [14.888648782445694]
本稿では,ツール間相互作用の統一表現として,パラメータ化された平衡マニフォールド(EM)を提案する。
我々は,ハプティック推定,オンライン計画,適応剛性制御を統合したクローズドループフレームワークを開発した。
このフレームワークはシミュレーションと260以上の現実世界のスクリューロージング試験によって検証されている。
論文 参考訳（メタデータ） (2026-03-11T02:57:55Z) - 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) - Real-Time Learning of Predictive Dynamic Obstacle Models for Robotic Motion Planning [7.819710421921815]
我々は,他のエージェントの動きの非線形予測モデルをリアルタイムで学習するオンラインフレームワークを開発した。
Cadzowプロジェクションは構造化された低ランクの一貫性を強制し、デノーズされた軌道と局所的なノイズ分散の推定を導出する。
ガウス型および重尾型雑音下でのシミュレーションにおけるアプローチの有効性を検証し, 動的クレーン試験台で実験的に検証した。
論文 参考訳（メタデータ） (2025-11-02T05:54:30Z) - 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) - Training Generative Adversarial Networks by Solving Ordinary
Differential Equations [54.23691425062034]
GANトレーニングによって引き起こされる連続時間ダイナミクスについて検討する。
この観点から、GANのトレーニングにおける不安定性は積分誤差から生じると仮定する。
本研究では,有名なODEソルバ(Runge-Kutta など)がトレーニングを安定化できるかどうかを実験的に検証する。
論文 参考訳（メタデータ） (2020-10-28T15:23:49Z)
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。