論文の概要: Spectral and Conformal: Neural Network Methods for Calibrated Trajectory Prediction and Control-Point Intervals

• arxiv url: http://arxiv.org/abs/2611.00231v1
• Date: Fri, 30 Oct 2026 18:12:26 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:08:38.093604
• Title: Spectral and Conformal: Neural Network Methods for Calibrated Trajectory Prediction and Control-Point Intervals
• Title（参考訳）: スペクトルと等角形:軌道のキャリブレーションと制御点間隔に対するニューラルネットワーク法
• Abstract要約: この研究は、ニューラルネットワークを使用してトラジェクトリと量子バンドをビルトイン制約で学習するフレームワークを実証する。 軌道推定時間を含むパイプラインの総時間は、典型的な制御速度と一致する9.81ms(約100Hz)である。
• 参考スコア（独自算出の注目度）: 0.2506624215459612
• License:
• Abstract: Autonomous systems that navigate their environment need methods to quickly assess the feasibility and safety of desired trajectories. Traditional solutions that rely on numerical integration can be computationally heavy, while fast data-driven surrogates lack the formal guarantees that numerical approaches provide. This work demonstrates a framework that uses (1) a neural network with a spectral backbone to learn trajectories and quantile bands with built-in constraints (initial conditions and stability); (2) a modified conformal quantile regression to provide calibrated, joint trajectory-level coverage; and (3) interval arithmetic to extend noise-free coverage guarantees to control points. After refactoring the network for inference, the trajectory inference time for a quadrotor under a closed-loop linear quadratic regulator is 3.45~ms on a Raspberry Pi Zero 2 W. The total pipeline time, including trajectory inference time, is 9.81~ms, or approximately 100~Hz, consistent with typical control rates.
• Abstract（参考訳）: 環境をナビゲートする自律システムは、望ましい軌道の実現可能性と安全性を迅速に評価する手段を必要とする。 数値積分に依存する従来の解は計算的に重くなりうるが、高速なデータ駆動サロゲートは数値的手法がもたらす形式的な保証を欠いている。 本研究は,(1)スペクトルバックボーンを持つニューラルネットワークを用いて,トラジェクトリと量子帯域を内蔵した制約(初期条件と安定性)を学習する枠組み,(2)キャリブレーションされた共同軌跡レベルのカバレッジを提供する修正型コンフォメーション量子回帰,(3)制御点に対するノイズフリーカバレッジを保証するインターバル演算を提案する。 推論のためにネットワークをリファクタリングした後、閉ループ線形二次規制下での4乗子に対する軌道推定時間は、Raspberry Pi Zero 2 W上で3.45〜msである。

関連論文リスト

• Transition Path Sampling Using Koopman Operators and Exit-Time Optimal Control [14.909013058852475]
  クープマン演算子に基づく問題に対する新しいアプローチを提案する。 クープマン作用素は線型であるため、その主要な固有函数は準安定集合を明らかにし、コミッタ関数の見積もりを与える。 最適制御器を閉形式に導出し、カーネルOSC空間で近似する。
  論文  参考訳（メタデータ） (2026-10-07T13:26:36Z)
• Amortized Nonlinear Model Predictive Control [3.2228025627337864]
  最適制御は、現在の状態と参照に依存するコストパラメータを持つ状態依存二次プログラム(QP)によって近似できることを示す。 カーテシアンエンドエフェクタートラッキングを用いた3リンク平面ロボットアームのアプローチを検証し,NLPソルバ上でのオーダー・オブ・マグニチュード・スピードアップを実証した。
  論文  参考訳（メタデータ） (2026-06-04T08:15:23Z)
• Graph Neural ODE Digital Twins for Control-Oriented Reactor Thermal-Hydraulic Forecasting Under Partial Observability [6.370970195988317]
  高度原子炉のリアルタイム監視制御には、プラント全体の熱水和状態の正確な予測が必要である。 物理インフォームドメッセージパス型微分ニューラルネットワークとニューラル正規方程式(GNN-ODE)を提案する。 GNN-ODEサロゲートはシステムダイナミクス予測に満足な結果が得られる。
  論文  参考訳（メタデータ） (2026-04-08T16:58:14Z)
• LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
  Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。 本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。 本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
  論文  参考訳（メタデータ） (2026-01-18T12:08:38Z)
• Verifying Closed-Loop Contractivity of Learning-Based Controllers via Partitioning [52.23804865017831]
  本稿では,ニューラルネットワークによるパラメータ化を行う非線形制御系における閉ループ収縮の検証問題に対処する。 我々は、対称メッツラー行列の優越的固有値が非正であることを確かめるために、閉ループの縮約性に対するトラクタブルでスケーラブルな十分条件を導出する。
  論文  参考訳（メタデータ） (2025-12-01T23:06:56Z)
• Network-Optimised Spiking Neural Network for Event-Driven Networking [2.5941336499463383]
  スパイキングニューラルネットワークは、異常検出、ローカルルーティング制御、エッジでの混雑管理など、時間クリティカルなネットワークタスクに適したイベント駆動型計算を提供する。 本稿では,正規化された待ち行列の占有状態と回復資源を符号化したコンパクトな2変数ユニットであるNetwork-Optimized Spiking (NOS)を紹介する。 我々は、データ駆動初期化、リセットシャープネスに基づくホモトピーによる代理段階トレーニング、リソース制約されたデプロイメントのための境界のトポロジによる明確な安定性チェックのガイダンスを提供する。
  論文  参考訳（メタデータ） (2025-09-27T22:31:24Z)
• Neural Conformal Control for Time Series Forecasting [54.96087475179419]
  非定常環境における適応性を高める時系列のニューラルネットワーク共形予測手法を提案する。 提案手法は,ニューラルネットワークエンコーダを用いた補助的マルチビューデータを活用することにより,望ましい対象範囲を達成するために設計されたニューラルネットワークコントローラとして機能する。 予測間隔の整合性に優れたキャリブレーションを組み合わさった手法は, 適用範囲と確率的精度の大幅な向上を実証的に示す。
  論文  参考訳（メタデータ） (2024-12-24T03:56:25Z)
• Transfer learning-based physics-informed convolutional neural network for simulating flow in porous media with time-varying controls [0.0]
  多孔質媒質中の二相流をシミュレートする物理インフォームド畳み込みニューラルネットワークを提案する。 有限体積スキームは流れの方程式を識別するために用いられる。 N ノイマン境界条件は半離散方程式にシームレスに組み込まれる。
  論文  参考訳（メタデータ） (2023-10-10T05:29:33Z)
• Green, Quantized Federated Learning over Wireless Networks: An Energy-Efficient Design [68.86220939532373]
  有限精度レベルは、固定精度フォーマットで重みとアクティベーションを定量化する量子ニューラルネットワーク(QNN)を使用して取得される。 提案するFLフレームワークは,ベースラインFLアルゴリズムと比較して,収束までのエネルギー消費量を最大70%削減することができる。
  論文  参考訳（メタデータ） (2022-07-19T16:37:24Z)

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。