日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

モデル予測制御arXiv:2603.17632

時空間ガウス過程近似を用いたモデル予測制御のリアルタイムオンライン学習

Real-Time Online Learning for Model Predictive Control using a Spatio-Temporal Gaussian Process Approximation

シェア:XThreadsFacebookLINEはてブBluesky

モデル予測制御の精度向上のため、未知の残差ダイナミクスを時空間ガウス過程で近似し、計算量を一定に保ちながらリアルタイムでオンライン学習を可能にする手法を提案。シミュレーションと自動ミニチュアレースの実機実験で性能を実証した。

詳しい要約

1. どんなもの?

- 本論文は、学習ベースのModel Predictive Control (MPC) において、未知の残差ダイナミクスをGaussian process (GP) でモデル化する際の計算コスト問題に対処する手法を提案する。 - 時空間GPの近似モデルを効率的に実装し、一定の計算複雑度でオンライン学習を可能にする。 - これにより、リアルタイムでのGP-MPCの適用が可能となり、時変システムに対しても制御性能を向上させる。 - 自動ミニチュアレーシングを例に、シミュレーションとハードウェア実験で有効性を示す。

2. 先行研究と比べてどこがすごい?

- 従来のGP-MPCでは、オンライン学習の計算コストが高く、リアルタイムアプリケーションへの適用が困難であった。 - 提案手法は、時空間GPの近似により、一定の計算複雑度でオンライン学習を実現し、リアルタイム性能を大幅に改善する。 - また、時変システムに対してもオンラインで正確なダイナミクスを学習できる点が優れている。

3. 技術・手法の肝は?

- 時空間GPの近似モデルを効率的に実装し、オンライン学習を一定の計算複雑度で行う。 - GP-MPCに最適化されており、リアルタイムでシステムダイナミクスを学習し、制御性能を向上させる。 - 具体的な近似手法やアルゴリズムの詳細は要旨からは不明。

4. どうやって有効だと検証した?

- 自動ミニチュアレーシングを例に、シミュレーションとハードウェア実験を実施。 - 提案手法の性能を実証し、リアルタイムオンライン学習による制御性能の向上を示した。 - 詳細な評価指標や比較対象は要旨からは不明。

5. 議論はある?

- 要旨からは、提案手法の限界や議論の詳細は不明。 - 計算複雑度が一定であることの理論的保証や、他の手法との比較に関する議論は明示されていない。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として、Gaussian process (GP) を用いたMPCや、オンライン学習を用いたMPCの研究が挙げられる。 - 具体的な論文名は要旨からは不明。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Lars Bartels, Amon Lahr, Andrea Carron, Melanie N. Zeilinger

分類: eess.SY, cs.RO, cs.SY, math.OC

原文アブストラクト

Learning-based model predictive control (MPC) can enhance control performance by correcting for model inaccuracies, enabling more precise state trajectory predictions than traditional MPC. A common approach is to model unknown residual dynamics as a Gaussian process (GP), which leverages data and also provides an estimate of the associated uncertainty. However, the high computational cost of online learning poses a major challenge for real-time GP-MPC applications. This work presents an efficient implementation of an approximate spatio-temporal GP model, offering online learning at constant computational complexity. It is optimized for GP-MPC, where it enables improved control performance by learning more accurate system dynamics online in real-time, even for time-varying systems. The performance of the proposed method is demonstrated by simulations and hardware experiments in the exemplary application of autonomous miniature racing.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  3. 3NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  4. 4GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI