一階モデル予測制御による高高度気球の定点保持

- 高高度気球（HAB: High-Altitude Balloon）の station-keeping（定点保持）のための制御手法を扱った研究。 - 提案手法は First-Order Model Predictive Control（FOMPC）。 - 風と気球の dynamics を JAX の微分可能関数として実装し、gradient-based trajectory optimization によるオンライン計画を可能にする。 - オフライン学習を必要とせず、制御各ステップでオンライン計算を行う。

- 先行研究は model-free reinforcement learning（RL）に主に依拠し、hand-crafted heuristics との比較が中心だった。 - 従来はシステムの非線形性・underactuated 性・風予測の不確実性ゆえ model-based 制御は非現実的とみなされていた。 - FOMPC は state-of-the-art の RL policy を上回り、time-within-radius（TWR）で 24% 改善。 - オフライン学習不要という点が RL との大きな違い。ただし制御ステップあたりのオンライン計算コストは増大する。

- 風と気球の dynamics を JAX の微分可能関数として実装。 - これにより gradient-based trajectory optimization をオンライン計画に適用。 - First-Order MPC として、オンラインで軌道最適化を繰り返す構成。 - モデリング仮定や制御要因の系統的 ablation を実施し、簡略化した風・dynamics モデルでも有効性を確認。

- state-of-the-art の RL policy との比較で TWR が 24% 改善することを示した。 - モデリング仮定と制御要因の systematic ablations を実施。 - 簡略化した風モデル・dynamics モデルを含む多くの構成でオンライン計画が有効であることを確認。 - 詳細な実験設定・データセットは要旨からは不明。

- FOMPC はオフライン学習不要で RL を上回る一方、制御ステップあたりのオンライン計算コストが増大する点がトレードオフ。 - 従来「model-based は非現実的」という仮定に再検討を促す結果。 - 簡略化モデルでも有効性が示され、モデリング仮定の影響が議論されている。 - 計算コストの実運用上の許容性や、より複雑な風予測下での性能は要旨からは不明。

- 比較対象である state-of-the-art の model-free reinforcement learning（RL）policy の元論文。 - HAB の station-keeping における model-free RL の先行研究。 - Model Predictive Control（MPC）の基礎・関連手法。 - JAX を用いた微分可能シミュレーション／gradient-based trajectory optimization の関連研究。