論文の概要: VisGeo-PipeTrack: A Visual Geometric Servo Control Framework with MPC-RCAPID Control for UAV-Based Dynamic Pipes Tracking
- arxiv url: http://arxiv.org/abs/2610.35342v1
- Date: Mon, 26 Oct 2026 12:34:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.928023
- Title: VisGeo-PipeTrack: A Visual Geometric Servo Control Framework with MPC-RCAPID Control for UAV-Based Dynamic Pipes Tracking
- Title（参考訳）: VisGeo-PipeTrack:UAVに基づくダイナミックパイプ追跡のためのMPC-RCAPID制御によるビジュアル幾何学的サーボ制御フレームワーク
- Abstract要約: 本稿では,ダイナミックパイプのUAVトラッキングを実現するためのサーボ制御フレームワークVisGeo-PipeTrackを提案する。
効率的なUAV位置決めを実現するため、YOLOv5はパイプ上のラベルを検出するために使用される。
AirSimシミュレータとTello UAVプラットフォームで実施された実験は、提案したフレームワークの有効性を検証する。
- 参考スコア（独自算出の注目度）: 2.3612274916250917
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While unmanned aerial vehicles (UAVs) are increasingly deployed for pipeline inspection, prevailing research predominantly assumes static pipes. In real-world industrial environments, pipes often exhibit dynamic movements, such as vibrations. This imposes more stringent requirements on UAVs' adaptive control and computational efficiency than in static scenarios. Therefore, this paper proposes a servo control framework named VisGeo-PipeTrack, which utilizes geometric constraints to enable UAV tracking of dynamic pipes. To achieve efficient UAV positioning, YOLOv5 is employed to detect labels on the pipe. The positions are derived from visual geometric constraints based on these detected labels to enable precise localization. To address tracking control challenges, a model predictive control based real-time corrected adaptive PID (MPC-RCAPID) controller is proposed. This controller employs the Recursive Least Squares method for real-time model estimation and integrates rolling horizon optimization to dynamically adjust PID parameters. Experiments conducted on both the AirSim simulator and the Tello UAV platform validate the effectiveness of the proposed framework. Simulation comparisons with standard PID, fractional-order PID, adaptive PID, and fuzzy PID demonstrate that MPC-RCAPID achieves the shortest settling time (3.26 s) and the lowest average tracking error (3.52%). In physical experiments on the Tello platform, compared with standard PID control, MPC-RCAPID reduces the average tracking error by 55.52%, 26.72%, and 26.52% across the three test dimensions. These results demonstrate that VisGeo-PipeTrack facilitates efficient autonomous tracking in dynamic pipe environments.
- Abstract（参考訳）: 無人航空機(UAV)はパイプライン検査のためにますます配備されているが、主に静的パイプを前提とする研究が主流である。
実世界の産業環境では、パイプは振動などの動的動きを示すことが多い。
これにより、静的シナリオよりもUAVの適応制御と計算効率に厳格な要件が課される。
そこで本稿では,幾何学的制約を利用して動的管のUAV追跡を可能にするサーボ制御フレームワークVisGeo-PipeTrackを提案する。
効率的なUAV位置決めを実現するため、YOLOv5はパイプ上のラベルを検出するために使用される。
位置はこれらの検出されたラベルに基づいて視覚的幾何学的制約から導かれる。
追従制御の課題に対処するために,モデル予測制御に基づくリアルタイム適応PID(MPC-RCAPID)コントローラを提案する。
このコントローラは、リアルタイムモデル推定にRecursive Least Squares法を用い、ローリング水平方向最適化を統合し、PIDパラメータを動的に調整する。
AirSimシミュレータとTello UAVプラットフォームで実施された実験は、提案したフレームワークの有効性を検証する。
標準的なPID、分数次PID、適応PID、ファジィPIDと比較すると、MPC-RCAPIDは最短セットリング時間(3.26秒)と最低平均トラッキングエラー(3.52%)を達成する。
Telloプラットフォーム上の物理実験では、標準的なPID制御と比較して、MPC-RCAPIDは3つのテスト次元の平均トラッキングエラーを55.52%、26.72%、26.52%削減する。
これらの結果は、VisGeo-PipeTrackが動的パイプ環境における効率的な自律的な追跡を容易にすることを示している。
関連論文リスト
- An Adaptive Fixed-Time Line-of-Sight Guidance Scheme for 3D Path Following of Underwater Vehicles: Theory and Experiment [2.202253618096515]
本稿では,AUVの3次元経路追跡のための頑健な固定時間適応誘導フレームワークを提案する。
また、カーブした経路におけるトラッキング性能を改善するために、時間変化のルックアヘッド機構も導入されている。
論文 参考訳（メタデータ） (2026-09-13T19:42:16Z) - DroneFINE: Domain-Aware Parameter-Efficient Fine-Tuning of Vision-Language Detectors for Drone Images [50.96240625673857]
DroneFINEは、VLMベースのドローン画像検出器用に設計された2つのドメイン対応補完モジュールからなる、新しいPEFTパラダイムである。
DroneFINEは既存のPEFTメソッドを著しく上回り、完全な微調整に匹敵するパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-07-01T02:27:40Z) - Autonomous UAV Pipeline Near-proximity Inspection via Disturbance-Aware Predictive Visual Servoing [12.773186211498283]
パイプライン検査は安全なエネルギー輸送には不可欠であるが、長距離、複雑な地形、人間の検査者へのリスクに制約されている。
本稿では、画像に基づく視覚サーボモデル予測制御(VMPC)に基づく3次元シナリオのための自律的四重項近傍パイプライン検査フレームワークを提案する。
地形情報のない未知の斜面上での垂直速度を発生させながら、所望の巡航速度を維持するために、地形適応速度設計を導入する。
実世界の実験では,提案手法は直線管に対して,パイプライン配向および横方向の偏差において,RMSEを52.63%,75.04%削減する。
論文 参考訳（メタデータ） (2026-04-21T16:05:34Z) - Accelerating Sampling-Based Control via Learned Linear Koopman Dynamics [4.946483489399818]
本稿では、複雑な非線形力学を持つシステムに対する効率的なモデル予測経路積分(MPPI)制御フレームワークを提案する。
軌道伝播に使用される非線形ダイナミクスを学習された線形深度クープマン作用素(DKO)モデルに置き換え、より高速なロールアウトとより効率的な軌道サンプリングを可能にする。
コントローラはMPPI-DKと呼ばれ、四足歩行ロボットの基準追跡実験を通じてハードウェア上で検証される。
論文 参考訳（メタデータ） (2026-03-05T17:15:52Z) - Plug-and-Play Benchmarking of Reinforcement Learning Algorithms for Large-Scale Flow Control [61.155940786140455]
強化学習(RL)は,アクティブフロー制御(AFC)において有望な結果を示した。
現在のAFCベンチマークは、外部計算流体力学(CFD)の解法に依存しており、完全には微分不可能であり、3Dとマルチエージェントのサポートが限られている。
AFCにおけるRLのための最初のスタンドアロンで完全に差別化可能なベンチマークスイートであるFluidGymを紹介する。
論文 参考訳（メタデータ） (2026-01-21T14:13:44Z) - Efficient and Accurate Downfacing Visual Inertial Odometry [18.91672527573445]
本稿では,マイクロUAVとナノUAVに最適化した,効率的かつ高精度なVIOパイプラインを提案する。
提案手法は, RISC-Vをベースとした超低消費電力並列システムに最適化・定量化されている。
論文 参考訳（メタデータ） (2025-09-12T07:30:24Z) - FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。
非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。
条件設定では、太陽予測において優れた性能を達成している。
論文 参考訳（メタデータ） (2024-11-12T03:03:23Z) - Self-Tuning PID Control via a Hybrid Actor-Critic-Based Neural Structure for Quadcopter Control [0.0]
Proportional-Integrator-Derivative (PID) コントローラは、幅広い産業および実験プロセスで使用されている。
モデルパラメータの不確実性と外乱のため、Quadrotorsのような実際のシステムはより堅牢で信頼性の高いPIDコントローラを必要とする。
本研究では,Reinforcement-Learning-based Neural Networkを用いた自己調整型PIDコントローラについて検討した。
論文 参考訳（メタデータ） (2023-07-03T19:35:52Z) - FastPillars: A Deployment-friendly Pillar-based 3D Detector [63.0697065653061]
既存のBEVベースの(つまりバードアイビュー)検出器は、トレーニングと推論を高速化するためにスパース・コンボリューション(SPConv)を好む。
FastPillarsは、CenterPoint(SPConvベース)よりも1.8倍のスピードアップと3.8mAPH/L2の改善で、Openデータセットの最先端の精度を提供する
論文 参考訳（メタデータ） (2023-02-05T12:13:27Z) - On Controller Tuning with Time-Varying Bayesian Optimization [74.57758188038375]
制御対象とその変更に関する適切な事前知識を用いて、時間変化最適化(TVBO)を用いて、変更環境におけるコントローラのオンラインチューニングを行う。
本研究では,不確実性注入(UI)を用いたTVBO戦略を提案する。
我々のモデルはTVBOの最先端手法よりも優れており、後悔の軽減と不安定なパラメータ構成の低減を実現している。
論文 参考訳（メタデータ） (2022-07-22T14:54:13Z)
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。