論文の概要: LLA-MPC on Embedded Hardware: Rapid Adaptive Control with Thousands of Parallel Models

• arxiv url: http://arxiv.org/abs/2610.03616v1
• Date: Fri, 02 Oct 2026 17:13:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.50945
• Title: LLA-MPC on Embedded Hardware: Rapid Adaptive Control with Thousands of Parallel Models
• Title（参考訳）: 組込みハードウェア上のLA-MPC:数千の並列モデルによる高速適応制御
• Abstract要約: LLA-MPCはリアルタイム適応型システム識別と制御のための学習自由フレームワークである。 システムは、組込みコンピュータ上で数千の候補モデルをリアルタイムで評価することで、タイヤパラメータをオンラインで識別する。 LLA-MPCは、固定された名目モデルが失敗する高速なタスクを完了することを示す。
• 参考スコア（独自算出の注目度）: 16.266017092260153
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a generalized implementation of Look-Back and Look-Ahead Adaptive Model Predictive Control (LLA-MPC), a learning-free framework for real-time, rapid adaptive system identification and control. The original formulation was demonstrated only in simulation, for autonomous racing with a fixed model structure. Our implementation has modular dynamics and integrators, and we validate it on the F1TENTH platform under constrained computation and noisy state estimation. The system identifies tire parameters online by evaluating thousands of candidate models in real time on an embedded computer. Experiments with low-friction tires across changing surfaces show that LLA-MPC completes high-speed tracking tasks where a fixed nominal model fails. Code, videos, and our related work are available at: https://lla-control.github.io.
• Abstract（参考訳）: 本稿では,Look-Back and Look-Ahead Adaptive Model Predictive Control (LLA-MPC) の実装について述べる。 オリジナルの定式化は、モデル構造が固定された自律レースのために、シミュレーションでのみ実証された。 我々の実装はモジュラー力学と積分器を備えており、F1TENTHプラットフォーム上で制約付き計算とノイズ状態推定の下で検証する。 このシステムは、組込みコンピュータ上で数千の候補モデルをリアルタイムで評価することで、タイヤパラメータをオンラインで識別する。 LLA-MPCは、固定された名目モデルが失敗する高速トラッキングタスクを完了することを示す。 コード、ビデオ、および関連する作業は、https://lla-control.github.io.comで公開されている。

関連論文リスト

• AD-MPCC: Adaptive Differentiable Model Predictive Contouring Control for Autonomous Racing [2.922583645818756]
  Adaptive Differentiable Model Predictive Contouring Control (AD-MPCC)は、自律レースのためのフレームワークである。 オンラインパラメータ推定では、パラメータ化されたPacejka Magic Formulaと正規化された移動水平推定方式を利用する。 本研究では,Pacejkaインフォームド機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2026-06-30T20:19:35Z)
• Real-Time Online Learning for Model Predictive Control using a Spatio-Temporal Gaussian Process Approximation [3.1977149161426657]
  この研究は、オンライン学習を一定の計算複雑性で提供する、時間的近似GPモデルの効率的な実装を示す。 GP-MPCに最適化されており、オンラインでより正確なシステムダイナミクスをリアルタイムで学習することで制御性能を向上させることができる。 提案手法の性能は,シミュレーションおよびハードウェア実験により,自律型ミニチュアレースの模範的応用として実証された。
  論文  参考訳（メタデータ） (2026-03-18T11:53:21Z)
• 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)
• MetaFollower: Adaptable Personalized Autonomous Car Following [63.90050686330677]
  適応型パーソナライズされた自動車追従フレームワークであるMetaFollowerを提案する。 まず,モデルに依存しないメタラーニング(MAML)を用いて,様々なCFイベントから共通運転知識を抽出する。 さらに、Long Short-Term Memory (LSTM) と Intelligent Driver Model (IDM) を組み合わせて、時間的不均一性を高い解釈性で反映する。
  論文  参考訳（メタデータ） (2024-06-23T15:30:40Z)
• End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
  本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。 エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-03T10:21:53Z)
• Real-time Neural-MPC: Deep Learning Model Predictive Control for Quadrotors and Agile Robotic Platforms [59.03426963238452]
  モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。 ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
  論文  参考訳（メタデータ） (2022-03-15T09:38:15Z)

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。