論文の概要: Planning to Learn: Real-Time Robust Adaptive Control on the GPU with Guaranteed Future Learning

• arxiv url: http://arxiv.org/abs/2610.20925v1
• Date: Wed, 14 Oct 2026 20:55:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.071253
• Title: Planning to Learn: Real-Time Robust Adaptive Control on the GPU with Guaranteed Future Learning
• Title（参考訳）: 学習計画:将来の学習を保証したGPUのリアルタイムロバスト適応制御
• Abstract要約: 本稿では,システムレベル合成に基づく適応型モデル予測フレームワークA-SLSを提案する。 A-SLSは将来のパラメータの不確実性を予測し、プロセス障害、パラメータエラー、推定更新の間の相関を保ち、厳密で保証された到達可能な集合を構築する。 非線形ロボットシステム全体では、A-SLSはリーチブルチューブの保守性を低下させ、リアルタイムのパフォーマンスを維持し、61の状態と8の不確実なパラメータ、12の制御入力を持つ4つの状態に対する全身制御にスケールする。
• 参考スコア（独自算出の注目度）: 3.5174884177930448
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robust adaptive control is vital for keeping robots safe while actively reducing uncertainty in unfamiliar settings. However, traditional methods are often conservative since they fail to account for guaranteed future parameter learning during planning and struggle to scale to high-dimensional systems. In this work, we present A-SLS, a learning-aware robust adaptive model predictive control (RAMPC) framework based on system-level synthesis. A-SLS forecasts future parameter uncertainty and preserves correlations between process disturbances, parameter error, and estimate updates to construct tight, guaranteed reachable sets that account for future information gain. We also develop a GPU-accelerated A-SLS solver to enable real-time performance. Across nonlinear robotic systems, A-SLS reduces reachable-tube conservativeness, maintains real-time performance, and scales to whole-body control for a quadruped with 61 states, 8 uncertain parameters, and 12 control inputs. We further demonstrate the approach on hardware, where a physical Crazyflie drone learns an uncertain dynamics parameter online to stabilize on the fly.
• Abstract（参考訳）: ロボットを安全に保ちつつ、不慣れな環境における不確実性を積極的に軽減するためには、ロバスト適応制御が不可欠である。 しかし、従来の手法は、計画中に保証された将来のパラメータ学習を考慮せず、高次元システムにスケールするのに苦労するため、保守的であることが多い。 そこで本研究では,システムレベルの合成に基づく,学習対応の堅牢な適応モデル予測制御(RAMPC)フレームワークであるA-SLSを提案する。 A-SLSは将来のパラメータの不確かさを予測し、プロセス障害、パラメータエラー、推定更新の間の相関を保ち、将来の情報獲得を考慮に入れた厳密で保証された到達可能なセットを構築する。 また,GPUを高速化したA-SLSソルバを開発し,リアルタイム性能を実現する。 非線形ロボットシステム全体では、A-SLSはリーチブルチューブの保守性を低下させ、リアルタイムのパフォーマンスを維持し、61の状態と8の不確実なパラメータ、12の制御入力を持つ4つの状態に対する全身制御にスケールする。 さらに、ハードウェアに対するアプローチを実証し、物理的なCrazyflieドローンがオンラインで不確実なダイナミックスパラメータを学習し、オンザフライで安定化する。

関連論文リスト

• SkyJEPA: Learning Long-Horizon World Models for Zero-Shot Sim-to-Real Control of Quadrotors [48.60897189520386]
  本稿では,実時間四重項制御のためのJEPAスタイルモデルを提案する。 我々は、潜伏動力学モデルと、凍結した潜伏者を解釈可能な状態にマッピングする、物理学に着想を得た新しいプロバーを組み合わせる。 高価で安全性の低い実世界のデータ収集への依存を低減するため,自動データセット生成のための構造化パイプラインを構築した。
  論文  参考訳（メタデータ） (2026-06-22T15:00:59Z)
• Offline Robotic World Model: Learning Robotic Policies without a Physics Simulator [50.191655141020505]
  強化学習(Reinforcement Learning, RL)は、ロボット制御において目覚ましい能力を示してきたが、高いサンプルの複雑さ、安全性の懸念、そしてシム・トゥ・リアルのギャップのため、依然として困難である。 物理シミュレータに頼らずに政策学習を改善するために不確実性を明示的に推定するモデルベースアプローチであるオフラインロボット世界モデル(RWM-O)を導入する。
  論文  参考訳（メタデータ） (2025-04-23T12:58:15Z)
• Learning to Boost the Performance of Stable Nonlinear Systems [0.0]
  クローズドループ安定性保証による性能ブースティング問題に対処する。 本手法は,安定な非線形システムのための性能ブースティング制御器のニューラルネットワーククラスを任意に学習することを可能にする。
  論文  参考訳（メタデータ） (2024-05-01T21:11:29Z)
• Learning Over Contracting and Lipschitz Closed-Loops for Partially-Observed Nonlinear Systems (Extended Version) [1.2430809884830318]
  本稿では非線形な部分観測力学系に対する学習に基づく制御のためのポリシーパラメータ化を提案する。 結果のYoula-RENパラメータ化は自動的に安定性(収縮)とユーザチューニング可能な堅牢性(Lipschitz)を満足することを示した。 We found that the Youla-REN are also like to existing learning-based and optimal control method, also ensure stability and exhibiting improve robustness to adversarial disturbances。
  論文  参考訳（メタデータ） (2023-04-12T23:55:56Z)
• Improving the Performance of Robust Control through Event-Triggered Learning [74.57758188038375]
  LQR問題における不確実性に直面していつ学習するかを決定するイベントトリガー学習アルゴリズムを提案する。 本研究では,ロバストな制御器ベースライン上での性能向上を数値例で示す。
  論文  参考訳（メタデータ） (2022-07-28T17:36:37Z)
• OSCAR: Data-Driven Operational Space Control for Adaptive and Robust Robot Manipulation [50.59541802645156]
  オペレーショナル・スペース・コントロール(OSC)は、操作のための効果的なタスクスペース・コントローラとして使われてきた。 本稿では,データ駆動型OSCのモデル誤差を補償するOSC for Adaptation and Robustness (OSCAR)を提案する。 本手法は,様々なシミュレーション操作問題に対して評価し,制御器のベースラインの配列よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2021-10-02T01:21:38Z)
• Finite-time System Identification and Adaptive Control in Autoregressive Exogenous Systems [79.67879934935661]
  未知のARXシステムのシステム識別と適応制御の問題について検討する。 我々は,オープンループとクローズループの両方のデータ収集の下で,ARXシステムに対する有限時間学習保証を提供する。
  論文  参考訳（メタデータ） (2021-08-26T18:00:00Z)
• Anticipating the Long-Term Effect of Online Learning in Control [75.6527644813815]
  AntLerは、学習を予想する学習ベースの制御法則の設計アルゴリズムである。 AntLer は確率 1 と任意に最適な解を近似することを示す。
  論文  参考訳（メタデータ） (2020-07-24T07:00:14Z)
• Actor-Critic Reinforcement Learning for Control with Stability Guarantee [9.400585561458712]
  強化学習(RL)と深層学習の統合は、様々なロボット制御タスクにおいて印象的なパフォーマンスを達成した。 しかし、データのみを用いることで、モデルフリーなRLでは安定性は保証されない。 本稿では,古典的なリアプノフ法を制御理論に適用することにより,閉ループ安定性を保証できるアクタクリティカルな制御用RLフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-29T16:14:30Z)

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。