論文の概要: L1-MPPI: L1 Adaptive Model Predictive Path Integral for Agile UAV Control

• arxiv url: http://arxiv.org/abs/2609.38467v1
• Date: Tue, 29 Sep 2026 19:59:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:26.695698
• Title: L1-MPPI: L1 Adaptive Model Predictive Path Integral for Agile UAV Control
• Title（参考訳）: L1-MPPI: アジャイルUAV制御のためのL1適応モデル予測パス
• Abstract要約: モデル予測経路積分(MPPI)を用いてL1適応制御を行い、高速UAV軌道の追跡を改善する。 L1の強化により、追跡はモデルの不確実性や外乱の下でも正確である。 提案手法は,UAVが未知のペイロードを受ける場合であっても,シミュレーションと実世界の両方で追跡性能が向上することを示す。
• 参考スコア（独自算出の注目度）: 3.3504851030483525
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work proposes the L1 Adaptive Model Predictive Path Integral (L1-MPPI). It cascades L1 adaptive control with the Model Predictive Path Integral (MPPI) to improve tracking of high-speed UAV trajectories. Thanks to the L1augmentation, the tracking remains accurate even under model uncertainties and external disturbances, such as an additional payload or a mismatch in the modeled aerodynamic drag. In contrast to existing MPPI approaches for UAV control that do not explicitly model aerodynamic effects, varying payloads, and typically neglect the dynamics of low-level motor controllers, our L1-MPPI approach enhances the dynamic model used in the MPPI by incorporating the low-level flight controller and motor dynamics, as well as an iterative mixing scheme that reflects the approach of the low-level controller. The proposed method demonstrates improved tracking performance in both simulation and the real world, even when the UAV is subjected to an unknown payload. In flight with 35% mass increase, our approach lowers the RMSE by 58.61% with respect to plain MPPI. Compared to the same MPPI using an online mass estimator in place of the L1 augmentation, the RMSE is lower by 38.59%. During the real-world experiments the UAV reaches speeds up to 13.50 m/s and accelerations up to 2.5 g.
• Abstract（参考訳）: 本研究はL1-MPPI(Adaptive Model Predictive Path Integral)を提案する。 モデル予測経路積分(MPPI)を用いてL1適応制御を行い、高速UAV軌道の追跡を改善する。 L1の強化により、追跡はモデルの不確実性の下でも正確であり、追加のペイロードや、モデル化された空気力学的ドラッグのミスマッチのような外部の障害でも正確である。 空力効果を明示的にモデル化しないUAV制御のための既存のMPPIアプローチとは対照的に、L1-MPPIアプローチは低レベルのフライトコントローラとモーターダイナミクスを組み込むことでMPPIで使用されるダイナミックモデルを強化し、低レベルのコントローラのアプローチを反映した反復混合スキームも実現している。 提案手法は,UAVが未知のペイロードを受ける場合であっても,シミュレーションと実世界の両方で追跡性能が向上することを示す。 質量が35%増加する飛行では、通常のMPPIに対してRMSEを58.61%下げる。 L1増量に代えてオンラインの質量推定器を使用した同じMPPIと比較して、RMSEは38.59%低下している。 実際の実験では、UAVは13.50m/s、加速は2.5gに達する。

関連論文リスト

• IMM-based Multiple Object Tracking using a State Prediction Neural Network [5.276232626689568]
  データ駆動型Predictor-based Interacting Multiple Model Tracking(PR-IMM)を提案する。 PR-IMMは、物理に基づく運動モデルの安定性と解釈性を保ちながら、非線形な物体運動表現を改善する。 実験の結果、PR-IMMは位置推定誤差をIMMで57.3%、PRで16.5%削減した。
  論文  参考訳（メタデータ） (2026-09-10T13:19:08Z)
• LE-PAVD: Learning-Enhanced Physics-Aware Vehicle Dynamics for High-Speed Autonomous Navigation [2.5199066832791526]
  本研究では,物理先行と学習部品を統合するハイブリッドモデルLE-PAVD(Learning-Enhanced Physics-Aware Vehicle Dynamics)を提案する。 私たちのアーキテクチャでは、負荷に敏感なPacejkaタイヤ力、縦方向の荷重伝達、横方向のタイヤ力効果、速度制限アクチュエータ入力の4つのコンポーネントを追加しています。 未確認トラックでは、LE-PAVDは平均変位誤差(ADE)を16.1$%、最終変位誤差(FDE)を20.6$%、Yaw-rate root mean squared error(RMSE)を91.3$%、深さを91.3$%下げる。
  論文  参考訳（メタデータ） (2026-05-08T21:07:47Z)
• Robust Adaptive Predictive Control for Hook-Based Aerial Transportation Between Moving Platforms [1.4592997284674396]
  本稿では,フック付き空中マニピュレータを用いた移動プラットフォーム間の自律的ピック・アンド・プレイスのためのモデル予測制御(MPC)手法を提案する。 提案手法の有効性は,複雑なシミュレーションシナリオや実世界の飛行実験で評価される。
  論文  参考訳（メタデータ） (2026-05-04T09:14:34Z)
• MeanFlow Transformers with Representation Autoencoders [71.45823902973349]
  MeanFlow(MF)は、ノイズからデータへのジャンプを直接学習することで、効率的な数ステップ生成を可能にする拡散動機付き生成モデルである。 我々は、表現オートエンコーダ(RAE)の潜在空間におけるMFの効率的なトレーニングとサンプリング手法を開発する。 1ステップのFIDが2.03であり,バニラMFの3.43を上回っ,GFLOPSのサンプリングを38%削減し,ImageNet 256のトレーニングコストを83%削減した。
  論文  参考訳（メタデータ） (2025-11-17T06:17:08Z)
• Active Control of Turbulent Airfoil Flows Using Adjoint-based Deep Learning [0.0]
  我々は,レイノルズ数104$およびマッハ数0.4における乱流気流の昇降ドラッグ比を最適化するために,アクティブニューラルネットワークフローコントローラを訓練する。 トレーニングされたフローコントローラは、リフト・アンド・ドラッグ比を著しく改善し、2次元および3次元の気流の分離を低減する。
  論文  参考訳（メタデータ） (2025-10-08T14:59:29Z)
• Physics-informed Neural-operator Predictive Control for Drag Reduction in Turbulent Flows [109.99020160824553]
  乱流のモデリングと制御のための効率的な深部強化学習フレームワークを提案する。 予測制御(PC)のためのモデルベースRLであり、乱流制御のためのポリシとオブザーバモデルの両方を共同で学習する。 その結果, PINO-PCは, バルク速度レイノルズ数15,000で39.0%の抗力低下を達成し, 従来の流体制御法を32%以上上回った。
  論文  参考訳（メタデータ） (2025-10-03T00:18:26Z)
• UAV Individual Identification via Distilled RF Fingerprints-Based LLM in ISAC Networks [60.16924915676577]
  無人航空機(UAV)個人識別は、低高度統合センシング通信(ISAC)ネットワークにおける重要なセキュリティ監視戦略である。 UAVID識別のための新しい動的知識蒸留(KD)対応無線周波数指紋大言語モデル(RFF-LLM)を提案する。 実験結果から,提案フレームワークは,0.15万のパラメータと2.74ミリ秒の応答時間で,98.38%のID識別精度を実現していることがわかった。
  論文  参考訳（メタデータ） (2025-08-18T03:14:44Z)
• LLaDA 1.5: Variance-Reduced Preference Optimization for Large Language Diffusion Models [95.77351099118323]
  Masked Diffusion Models (MDM) は言語モデリングにおいて有望なパラダイムである。 この課題は、優先最適化に必要なエビデンス・ロウアー・バウンド(ELBO)に基づく推定値の高分散から生じる。 本稿では,ELBO推定器の偏差を公式に解析し,優先最適化勾配の偏差と偏差を導出するフレームワークであるVRPOを提案する。
  論文  参考訳（メタデータ） (2025-05-25T16:36:20Z)
• Hovering Flight of Soft-Actuated Insect-Scale Micro Aerial Vehicles using Deep Reinforcement Learning [25.353235604712562]
  ソフトアクチュレートされた昆虫型マイクロエアロビー(IMAV)は、堅牢で計算効率のよい制御装置を設計する上で、ユニークな課題を生んでいる。 本稿では、システムの遅延と不確実性に対処する深層強化学習(RL)コントローラを設計する。 このコントローラは、それぞれ720 mgと850 mgの2つの異なる昆虫スケールの空中ロボットに展開する。
  論文  参考訳（メタデータ） (2025-02-17T22:45:59Z)
• StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
  将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。 本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。 本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
  論文  参考訳（メタデータ） (2022-07-21T12:03:02Z)

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。