論文の概要: Statistical Turbulence and High-Fidelity Disturbance Fields for Quadrotor Flight Control

• arxiv url: http://arxiv.org/abs/2610.06874v1
• Date: Wed, 09 Sep 2026 05:14:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-12 09:53:32.090715
• Title: Statistical Turbulence and High-Fidelity Disturbance Fields for Quadrotor Flight Control
• Title（参考訳）: クアドロター飛行制御のための統計的乱流と高密度外乱場
• Abstract要約: 強化学習型四極子制御装置は通常、単純化された風モデルの下で訓練される。 本稿では,風のない飛行から,統計的乱流による離散的な1コサインガストまで,5つの乱れ忠実度レベルを比較した。 一度調整された幾何学コントローラは、学習したPPOポリシーをゼロクラッシュ率でブラケットする。
• 参考スコア（独自算出の注目度）: 8.428064317607975
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reinforcement-learning quadrotor controllers are usually trained under simplified wind models, yet the impact of wind-field fidelity, as opposed to magnitude, on policy robustness remains unquantified. This paper compares five disturbance-fidelity levels, from wind-free flight and discrete 1-cosine gusts through statistical turbulence and synthetic coherent structures to large-eddy-simulation fields of the atmospheric boundary layer, in a full cross-fidelity train test evaluation of proximal policy optimization (PPO) agents, with cascaded PID and geometric SE(3) controllers as training-free references, over a 0-12 m/s wind sweep. Before any controller comparison is made, all disturbance data are validated: every synthetic generator is checked quantitatively against its analytical or certification-standard reference, and the large-eddy-simulation fields against the imposed log law. On a racing-class quadrotor in hover, the train test matrix is remarkably flat, and the cheapest structured training wind, which is discrete-gust domain randomization, ranks first in every test column, a ranking replicated on a wind-sensitive 27 g platform; a once-tuned geometric controller brackets the learned PPO policies at zero crash rate. Mechanism diagnostics show that control authority, not wind realism, bounds robustness, so wind-fidelity investment should scale with platform wind sensitivity.
• Abstract（参考訳）: 強化学習型四極子制御装置は、通常、単純化された風モデルの下で訓練されるが、大きさとは対照的に、政策の堅牢性に対する風場忠実性の影響はいまだに定量化されていない。 本論文は, 風速1-cosine gasts と風速1-cosine gusts から大気境界層の大渦シミュレーション場まで, 風速1-cosine gusts と風速1-cosine gusts の5レベルを比較した。 制御器の比較が行われる前に、全ての外乱データが検証される:全ての合成発電機は、分析基準または認証基準基準に対して定量的にチェックされ、また、課されたログ法に対する大渦シミュレーションフィールドである。 ホバーのレースクラス四輪車では、列車試験行列は著しく平坦であり、離散ガス領域ランダム化である最も安価な構成された訓練風は、風に敏感な27gプラットフォームで再現されたランキングである各試験塔で第1位にランクされ、一度調整された幾何制御器は、学習したPPOポリシーをゼロクラッシュ率でブラケットする。 メカニズム診断は、風速の現実性ではなく制御権限が強固性に縛られていることを示しているため、風力忠実度投資はプラットフォーム風の感度でスケールする必要がある。

関連論文リスト

• WAND: Learning Robust Navigation under Complex Wind Disturbances and Dense Obstacles for Quadrotors [53.304053813409666]
  本稿では、高密度障害物場における時変風乱下でのナビゲーションのための強化学習フレームワーク、WAND(Wind-Aware Navigation with disturbance Estimation)を紹介する。 風に乱れた12のシミュレーション設定において、WADは平均的なフィードフォワード補償に対する成功率を8.3ポイント改善した。 室内でのファンによる飛行試験では、WADは20の試験のうち18の試験に成功し、リアルタイムのオンボードナビゲーションの実現可能性を示した。
  論文  参考訳（メタデータ） (2026-10-08T12:17:45Z)
• A Unified Dynamics Framework for Reinforcement Learning and Classical Control of a Six-DOF Pipeline-Tracking ROV in NVIDIA Isaac Sim [4.021733299734901]
  本稿では6自由度遠隔操作車(ROV)のためのパイプライン追跡アーキテクチャを提案する。 1つのUniversal Scene Description (USD) シーンは、実際のBlueROV2-Heavy質量、付加質量、減衰、浮力、推力パラメータをシステムの両半分に供給する。 5つの強化学習アルゴリズム、PPO、ソフトアクター・クリティック、TD3、DDPG、TRPOは、1つの環境、報酬、ランダム化評価ハーネスに対して訓練される。
  論文  参考訳（メタデータ） (2026-10-04T04:45:05Z)
• Nonlinear Model Predictive Control for Trajectory Tracking of Differentially Flat Fixed-Wing Aerial Systems [6.655837620295535]
  固定翼無人航空機(UAV)の計画と制御は、非線形力学、空力限界、環境障害のために困難である。 本稿では,微分平坦性に基づく軌道生成と予測的制約認識制御を統合した統合フレームワークを提案する。 提案手法を広範囲なシミュレーションと実世界の飛行実験により検証し,複雑な軌道の追跡精度とロバスト性の向上を実証した。
  論文  参考訳（メタデータ） (2026-08-21T01:25:35Z)
• Physics-infused Learning for Aerial Manipulator in Winds and Near-Wall Environments [3.895172208362693]
  空中操作(AM)は、受動的観測から高高度およびその他の到達不能な環境での接触操作まで、UAV能力を拡大する。 本稿では,物理に基づくブレード要素モデルと学習に基づく残留力推定器を統合し,外乱補償のためのロータ速度割当戦略を組み込むことにより,統一的な制御フレームワークを実現する。 その結果, 従来の手法よりも外乱推定と軌道追跡精度が向上し, 困難な空力条件下でのロバストな壁面接触実行が可能となった。
  論文  参考訳（メタデータ） (2026-03-08T22:08:15Z)
• Control of Rayleigh-Bénard Convection: Effectiveness of Reinforcement Learning in the Turbulent Regime [6.619254876970774]
  乱流下での対流熱伝達低減のための強化学習(RL)の有効性について検討した。 単エージェントプロキシポリシー最適化(PPO)によって訓練されたRLエージェントは、線形比例微分(PD)コントローラと比較される。 RL剤は、ヌッセルト数によって測定された対流を、適度な乱流系では最大33%減らし、高乱流環境では10%減らした。
  論文  参考訳（メタデータ） (2025-04-16T11:51:59Z)
• DATT: Deep Adaptive Trajectory Tracking for Quadrotor Control [62.24301794794304]
  Deep Adaptive Trajectory Tracking (DATT)は、学習に基づくアプローチであり、現実世界の大きな乱れの存在下で、任意の、潜在的に実現不可能な軌跡を正確に追跡することができる。 DATTは、非定常風場における可溶性および非実用性の両方の軌道に対して、競争適応性非線形およびモデル予測コントローラを著しく上回っている。 適応非線形モデル予測制御ベースラインの1/4未満である3.2ms未満の推論時間で、効率的にオンラインで実行することができる。
  論文  参考訳（メタデータ） (2023-10-13T12:22:31Z)
• Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds [96.74836678572582]
  本稿では,ディープラーニングを通じて事前学習した表現を組み込むことで,オンラインでの迅速な適応を可能にする学習ベースのアプローチを提案する。 Neural-Flyは、最先端の非線形かつ適応的なコントローラよりもかなり少ないトラッキングエラーで正確な飛行制御を実現する。
  論文  参考訳（メタデータ） (2022-05-13T21:55:28Z)

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。