arXiv:2604.14678v1 公開タイプ: cross
概要: データ駆動型モデル予測制御（MPC）は、近年、制御理論分野における中核的な研究対象となっています。最適制御の枠組みと深層学習パラダイムを組み合わせることで、複雑な解析モデルを必要とせずに制御タスクを正確に追跡できる可能性が開かれます。しかし、システムのダイナミクスはしばしば微妙であり、ニューラルモデルには慣性やエネルギー保存のような物理特性を理解するための潜在力がありません。本研究では、多方向（全方位）飛行ロボットの残差ダイナミクスを学習するニューラルモデルの学習に適用される、新規のエネルギーに基づく正則化損失関数を提案します。エネルギーベースの正則化は、ニューラルネットワークがシステムのエネルギーを安定化させるような制御補正を行うことを促します。残差ダイナミクスをMPCの枠組みに統合することで、解析的MPCと比べて3つの実世界実験において位置の平均絶対誤差（MAE）が23%改善します。また、正則化のない標準的なニューラルMPC実装とも比較し、主にエネルギー正則化によって飛行安定性が有意に向上することを達成し、さらに最大でMAEが15%低下します。コードは以下で公開しています: https://github.com/johanneskbl/jsk_aerial_robot/tree/develop/neural_MPC.
