システム同定2026/8/31arXiv:2608.30433v1

クアッドコプタの不確実性を考慮したシステム同定のためのハイブリッドPEM-GPフレームワーク

A Hybrid PEM-GP Framework for Uncertainty-Aware System Identification of Quadcopters

物理ベースモデルとガウス過程を組み合わせ、クアッドコプタの動力学を不確実性付きで同定する手法を提案。実験でLSTM並みの精度と較正された不確実性推定を実現した。

詳しい要約

1. どんなもの？

本論文は、クアッドコプターの動的モデルを不確実性を考慮して同定するためのハイブリッドフレームワークを提案している。具体的には、物理ベースのモデルとデータ駆動学習を組み合わせ、Prediction Error Method (PEM) で主要なシステム構造を捉え、残差ダイナミクスを Gaussian Process (GP) でモデル化する。これにより、既知の物理効果と未モデル化ダイナミクスを区別し、較正された不確実性推定を提供する。

2. 先行研究と比べてどこがすごい？

古典的なシステム同定法は解釈性が高いが、小型空中プラットフォームで顕著な非線形効果を捉えられない。一方、データ駆動アプローチは複雑な非線形ダイナミクスを表現できるが、解釈性が低く、較正された不確実性推定が欠如する。本フレームワークは、物理ベースモデルとデータ駆動学習を組み合わせることで、両者の利点を活かし、不確実性を明示的に扱う点が新しい。

3. 技術・手法の肝は？

手法の肝は、PEMで同定した物理モデルと、その残差を学習するGPの組み合わせにある。まずPEMでシステムの主要構造を捉え、次にGPで残差をデータから学習する。この分離により、既知の物理効果と未モデル化ダイナミクスを区別できる。GPは不確実性を提供するため、予測の信頼性を評価できる。

4. どうやって有効だと検証した？

Duckiedroneに類似した実験セットアップで検証した。結果として、PEM-GPモデルはLong Short-Term Memory (LSTM) ネットワークと同等の予測精度を達成し、さらに較正された不確実性推定を提供することを示した。

5. 議論はある？

要旨からは、提案手法の限界や他の手法との比較に関する議論は不明。ただし、LSTMと同等の精度でありながら不確実性を提供できる点は、モデルの信頼性と不確実性を考慮した意思決定を向上させると述べている。

6. 次に読むべき論文は？

要旨で参照されている研究は、Prediction Error Method (PEM)、Gaussian Process (GP)、Long Short-Term Memory (LSTM) ネットワークである。次に読むべき論文としては、これらの手法の基礎論文や、ハイブリッドモデリングの関連研究が挙げられる。

※ 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: Abdallah Ghoul, Ismail Khalil Bousserhane, Kadri Boufeldja

分類: cs.RO

原文アブストラクト

Accurate dynamic models play a central role in achieving reliable control of quadcopters. Classical system identification methods remain widely used, mainly because of their interpretability. However, they often fail to capture important nonlinear effects, especially in small-scale aerial platforms where such effects become more pronounced. Data-driven approaches offer a different perspective. They can represent complex nonlinear dynamics more effectively, but this comes at the cost of reduced interpretability and the absence of well-calibrated uncertainty estimates. In this work, we propose a framework that combines physics-based modeling with data-driven learning, while explicitly accounting for uncertainty. A physics-based model is first identified using the Prediction Error Method (PEM), which captures the main structure of the system. The remaining dynamics are then modeled using a Gaussian Process (GP), allowing the residual behavior to be learned directly from data. This separation makes it possible to distinguish between known physical effects and unmodeled dynamics. The proposed framework is validated on a Duckiedrone-like experimental setup. The results show that the PEM-GP model achieves prediction accuracy comparable to that of a Long Short-Term Memory (LSTM) network, while additionally providing calibrated uncertainty estimates. This combination improves model reliability and supports uncertainty-aware decision-making.

arXivで原文を読む →arXiv概要ページ