Limits of specifiability for sensor-based robotic planning tasks

投稿日: 2025年3月10日 作成者: jarxiv

要約

現在、さまざまな豊富な目標や時間拡大行動を含む複雑なロボットタスクを説明し、実現するための、フォーマルな方法に基づいた多くのテクニックがあります。
このホワイトペーパーでは、どのようなタスクが指定できるかの限界を調査します。仕様の正確な基礎、つまり、仕様がロボットの状態、そのアクションと観察、その知識、またはその他の情報の観点から指定されているかどうかを調べます。
以前の作業にはこの根拠の特定の選択肢のいくつかの説明が含まれていましたが、私たちの貢献はこの側面を一流の市民として扱っています。大規模なクラスの問題に対処するために表記を紹介し、接地がタスクの提起にどのように影響するかを調べます。
結果は、特定のクラスのタスクが、接地のさまざまな組み合わせの下で指定できることを示しています。

要約(オリジナル)

There is now a large body of techniques, many based on formal methods, for describing and realizing complex robotics tasks, including those involving a variety of rich goals and time-extended behavior. This paper explores the limits of what sorts of tasks are specifiable, examining how the precise grounding of specifications, that is, whether the specification is given in terms of the robot’s states, its actions and observations, its knowledge, or some other information,is crucial to whether a given task can be specified. While prior work included some description of particular choices for this grounding, our contribution treats this aspect as a first-class citizen: we introduce notation to deal with a large class of problems, and examine how the grounding affects what tasks can be posed. The results demonstrate that certain classes of tasks are specifiable under different combinations of groundings.

arxiv情報

著者 Basak Sakcak,Dylan A. Shell,Jason M. O’Kane
発行日 2025-03-07 17:50:08+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO | Limits of specifiability for sensor-based robotic planning tasks はコメントを受け付けていません

Small-Scale Testbeds for Connected and Automated Vehicles and Robot Swarms: Challenges and a Roadmap

投稿日: 2025年3月10日 作成者: jarxiv

要約

この記事では、接続された自動化された車両（CAVS）およびロボットの群れの小規模なテストベッドの現在の課題に対処するためのロードマップを提案しています。
ロードマップは、6月2日に韓国のジェジュで開催されたIEEEインテリジェント車両シンポジウム（IV）2024で6月2日に開催された、接続された自動車およびロボット群のためのワークショップの第1ワークショップの参加者の共同努力です。
ロードマップには、1）特に過小評価されているコミュニティのアクセシビリティと多様性の向上、2）テストベッドの開発とメンテナンスのベストプラクティスを共有する3つの部分、3）コラボレーションをサポートするために抽象化層を介してテストベッドを接続する。
ワークショップには、8人の招待されたスピーカー、4つの貢献した論文[1] – [4]、およびテストベッドに関する調査ペーパーの提示が特徴です[5]。
調査用紙は、https://bassamlab.github.io/testbeds-surveyで入手可能な25を超えるテストベッドのオンライン比較表を提供します。
ワークショップ独自のウェブサイトは、https：//cpm-remote.lrt.unibwmuenchen.de/iv24-workshopで入手できます。

要約(オリジナル)

This article proposes a roadmap to address the current challenges in small-scale testbeds for Connected and Automated Vehicles (CAVs) and robot swarms. The roadmap is a joint effort of participants in the workshop ‘1st Workshop on Small-Scale Testbeds for Connected and Automated Vehicles and Robot Swarms,’ held on June 2 at the IEEE Intelligent Vehicles Symposium (IV) 2024 in Jeju, South Korea. The roadmap contains three parts: 1) enhancing accessibility and diversity, especially for underrepresented communities, 2) sharing best practices for the development and maintenance of testbeds, and 3) connecting testbeds through an abstraction layer to support collaboration. The workshop features eight invited speakers, four contributed papers [1]-[4], and a presentation of a survey paper on testbeds [5]. The survey paper provides an online comparative table of more than 25 testbeds, available at https://bassamlab.github.io/testbeds-survey. The workshop’s own website is available at https://cpm-remote.lrt.unibwmuenchen.de/iv24-workshop.

arxiv情報

著者 Jianye Xu,Bassam Alrifaee,Johannes Betz,Armin Mokhtarian,Archak Mittal,Mengchi Cai,Rahul Mangharam,Omar M. Shehata,Catherine M. Elias,Jan-Nico Zaech,Patrick Scheffe,Felix Jahncke,Sangeet Sankaramangalam Ulhas,Kaj Munhoz Arfvidsson
発行日 2025-03-07 18:18:30+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.MA, cs.RO | Small-Scale Testbeds for Connected and Automated Vehicles and Robot Swarms: Challenges and a Roadmap はコメントを受け付けていません

Kinodynamic Model Predictive Control for Energy Efficient Locomotion of Legged Robots with Parallel Elasticity

投稿日: 2025年3月10日 作成者: jarxiv

要約

このホワイトペーパーでは、動的脚のロボットのエネルギー効率を改善するために一方向の平行スプリング（UPS）を悪用する運動力学モデル予測制御（MPC）フレームワークを紹介します。
提案された方法は、単純化された動的モデルを備えたMPCの解を使用して、非線形の重心ダイナミクスとキネマティック制約を説明する運動力学MPCを温めるために使用される階層制御構造を採用しています。
提案されたアプローチにより、UPSを使用してスタンス段階でのピークモータートルクとエネルギー消費を減らすことにより、レギュドロボットのエネルギー効率の高い動的ホッピングが可能になります。
シミュレーションの結果は、高速ホッピング中にUPSを装備したモノペッドロボットの輸送コスト（COT）の38.8％の削減を示しました。
さらに、予備的なハードウェア実験では、エネルギー消費が14.8％減少することが示されています。
ビデオ：https：//youtu.be/af11qmxjd48

要約(オリジナル)

In this paper, we introduce a kinodynamic model predictive control (MPC) framework that exploits unidirectional parallel springs (UPS) to improve the energy efficiency of dynamic legged robots. The proposed method employs a hierarchical control structure, where the solution of MPC with simplified dynamic models is used to warm-start the kinodynamic MPC, which accounts for nonlinear centroidal dynamics and kinematic constraints. The proposed approach enables energy efficient dynamic hopping on legged robots by using UPS to reduce peak motor torques and energy consumption during stance phases. Simulation results demonstrated a 38.8% reduction in the cost of transport (CoT) for a monoped robot equipped with UPS during high-speed hopping. Additionally, preliminary hardware experiments show a 14.8% reduction in energy consumption. Video: https://youtu.be/AF11qMXJD48

arxiv情報

著者 Yulun Zhuang,Yichen Wang,Yanran Ding
発行日 2025-03-07 18:26:57+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.RO, cs.SY, eess.SY | Kinodynamic Model Predictive Control for Energy Efficient Locomotion of Legged Robots with Parallel Elasticity はコメントを受け付けていません

Machine Learning for Improved Density Functional Theory Thermodynamics

投稿日: 2025年3月10日 作成者: jarxiv

要約

合金形成エンタルピーの密度汎関数理論（DFT）の予測精度は、特に三元相の安定性計算において、固有のエネルギー分解能エラーによって制限されることがよくあります。
この作業では、これらのエラーを体系的に修正するための機械学習（ML）アプローチを提示し、第一原理の予測の信頼性を改善します。
Neural Networkモデルは、DFT計算と実験的に測定されたエンタルピーのバイナリおよび成分合金および化合物の矛盾を予測するために訓練されています。
このモデルは、主要な化学的および構造的効果をキャプチャするために、元素濃度、原子番号、および相互作用用語を含む構造化された特徴セットを使用します。
監視された学習と厳格なデータキュレーションを適用することにより、堅牢で物理的に意味のある修正を確実にします。
このモデルは、3つの隠れ層を備えた多層パーセプトロン（MLP）レグレッサーとして実装されており、過剰フィッティングを防ぐために、休暇1回の交差検証（LOOCV）およびK折り返し交差検証を通じて最適化されています。
この方法は、航空宇宙および保護コーティングの高温用途にとって興味深いAl-Ni-PDおよびAl-Tiシステムに適用することにより、この方法の有効性を説明します。

要約(オリジナル)

The predictive accuracy of density functional theory (DFT) for alloy formation enthalpies is often limited by intrinsic energy resolution errors, particularly in ternary phase stability calculations. In this work, we present a machine learning (ML) approach to systematically correct these errors, improving the reliability of first-principles predictions. A neural network model has been trained to predict the discrepancy between DFT-calculated and experimentally measured enthalpies for binary and ternary alloys and compounds. The model utilizes a structured feature set comprising elemental concentrations, atomic numbers, and interaction terms to capture key chemical and structural effects. By applying supervised learning and rigorous data curation we ensure a robust and physically meaningful correction. The model is implemented as a multi-layer perceptron (MLP) regressor with three hidden layers, optimized through leave-one-out cross-validation (LOOCV) and k-fold cross-validation to prevent overfitting. We illustrate the effectiveness of this method by applying it to the Al-Ni-Pd and Al-Ni-Ti systems, which are of interest for high-temperature applications in aerospace and protective coatings.

arxiv情報

著者 Sergei I. Simak,Erna K. Delczeg-Czirjak,Olle Eriksson
発行日 2025-03-07 15:46:30+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cond-mat.mtrl-sci, cs.LG | Machine Learning for Improved Density Functional Theory Thermodynamics はコメントを受け付けていません

Leveraging Approximate Caching for Faster Retrieval-Augmented Generation

投稿日: 2025年3月10日 作成者: jarxiv

要約

検索された生成（RAG）は、外部知識を統合することにより、大規模な言語モデル（LLM）回答の信頼性を高めます。
ただし、RAGは、大規模なベクトルデータベースから関連するドキュメントを探すことは計算上の高価であるため、エンドツーエンドの推論時間を増やします。
これに対処するために、ユーザークエリの類似性を活用することによりRAGワークフローを最適化するおおよそのキー値キャッシュである近接性を導入します。
各クエリを独立して扱う代わりに、近接性は、同様のクエリが表示されたときに以前に取得したドキュメントを再利用し、高価なベクトルデータベースの検索に依存します。
MMLUおよびMEDRAGベンチマークの近接性を評価し、応答の精度を維持しながら検索効率を大幅に改善することを示しています。
近接性により、精度を維持しながら、検索レイテンシが最大59％減少し、ベクトルデータベースの計算負荷が低下します。
また、さまざまな類似性のしきい値を実験し、速度とリコールのトレードオフを定量化します。
私たちの研究は、近似キャッシュがRAGベースのシステムを最適化するための実行可能で効果的な戦略であることを示しています。

要約(オリジナル)

Retrieval-augmented generation (RAG) enhances the reliability of large language model (LLM) answers by integrating external knowledge. However, RAG increases the end-to-end inference time since looking for relevant documents from large vector databases is computationally expensive. To address this, we introduce Proximity, an approximate key-value cache that optimizes the RAG workflow by leveraging similarities in user queries. Instead of treating each query independently, Proximity reuses previously retrieved documents when similar queries appear, reducing reliance on expensive vector database lookups. We evaluate Proximity on the MMLU and MedRAG benchmarks, demonstrating that it significantly improves retrieval efficiency while maintaining response accuracy. Proximity reduces retrieval latency by up to 59% while maintaining accuracy and lowers the computational burden on the vector database. We also experiment with different similarity thresholds and quantify the trade-off between speed and recall. Our work shows that approximate caching is a viable and effective strategy for optimizing RAG-based systems.

arxiv情報

著者 Shai Bergman,Zhang Ji,Anne-Marie Kermarrec,Diana Petrescu,Rafael Pires,Mathis Randl,Martijn de Vos
発行日 2025-03-07 15:54:04+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.DB, cs.LG, cs.PF | Leveraging Approximate Caching for Faster Retrieval-Augmented Generation はコメントを受け付けていません

Additive Model Boosting: New Insights and Path(ologie)s

投稿日: 2025年3月10日 作成者: jarxiv

要約

アディティブモデル（AMS）は最近、機械学習に多くの関心を集めており、解釈可能な構造を幅広いモデルクラスに組み込むことができます。
多種多様な潜在的に複雑な添加剤モデルに適合するために多くの一般的に使用されているアプローチは、添加モデルを高めるという考えに基づいて構築されています。
ブーストされた添加剤モデル（BAMS）は実際にはうまく機能しますが、一般的な収束行動や、ブーストの暗黙の正規化の性質を考慮したときに最適化の問題が解決される場合、特定の理論的側面はまだよく理解されていません。
この作業では、BAMSのソリューションパスを研究し、特定のクラスの問題に対する他のアプローチとのつながりを確立します。
これらの線に沿って、BAMSの新しい収束結果を導き出します。これにより、メソッドの内側の仕組みに重要な洞察が得られます。
私たちの結果は一般に、BAMSの実際的な使用に関する心強い理論的証拠を提供しますが、実際には注意を必要とする収束挙動に関する特定の加法モデルクラスのブーストの「病理」を明らかにします。
いくつかの数値実験を通じて、理論的発見を経験的に検証します。

要約(オリジナル)

Additive models (AMs) have sparked a lot of interest in machine learning recently, allowing the incorporation of interpretable structures into a wide range of model classes. Many commonly used approaches to fit a wide variety of potentially complex additive models build on the idea of boosting additive models. While boosted additive models (BAMs) work well in practice, certain theoretical aspects are still poorly understood, including general convergence behavior and what optimization problem is being solved when accounting for the implicit regularizing nature of boosting. In this work, we study the solution paths of BAMs and establish connections with other approaches for certain classes of problems. Along these lines, we derive novel convergence results for BAMs, which yield crucial insights into the inner workings of the method. While our results generally provide reassuring theoretical evidence for the practical use of BAMs, they also uncover some “pathologies” of boosting for certain additive model classes concerning their convergence behavior that require caution in practice. We empirically validate our theoretical findings through several numerical experiments.

arxiv情報

著者 Rickmer Schulte,David Rügamer
発行日 2025-03-07 16:04:34+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, stat.ML | Additive Model Boosting: New Insights and Path(ologie)s はコメントを受け付けていません

Riemann$^2$: Learning Riemannian Submanifolds from Riemannian Data

投稿日: 2025年3月10日 作成者: jarxiv

要約

潜在変数モデルは、高次元データから低次元マニホールドを学習するための強力なツールです。
ただし、ユニットノームベクトルや対称正の正確なマトリックスなどの制約されたデータを扱う場合、既存のアプローチは根本的な幾何学的制約を無視するか、潜在空間で意味のあるメトリックを提供できません。
これらの制限に対処するために、このような幾何学的データのリーマニアの潜在表現を学ぶことを提案します。
そのために、データジオメトリを明示的に説明するラップされたガウスプロセス潜在変数モデルによって誘導されるプルバックメトリックを推定します。
これにより、潜在空間での距離と最短経路の幾何学的概念を定義することができ、モデルが確率質量のみをデータマニホールドに割り当てることができるようにします。
これにより、以前の作業が一般化され、ロボットモーション合成や脳コネクタムの分析など、さまざまなドメインの複雑なタスクを処理できます。

要約(オリジナル)

Latent variable models are powerful tools for learning low-dimensional manifolds from high-dimensional data. However, when dealing with constrained data such as unit-norm vectors or symmetric positive-definite matrices, existing approaches ignore the underlying geometric constraints or fail to provide meaningful metrics in the latent space. To address these limitations, we propose to learn Riemannian latent representations of such geometric data. To do so, we estimate the pullback metric induced by a Wrapped Gaussian Process Latent Variable Model, which explicitly accounts for the data geometry. This enables us to define geometry-aware notions of distance and shortest paths in the latent space, while ensuring that our model only assigns probability mass to the data manifold. This generalizes previous work and allows us to handle complex tasks in various domains, including robot motion synthesis and analysis of brain connectomes.

arxiv情報

著者 Leonel Rozo,Miguel González-Duque,Noémie Jaquier,Søren Hauberg
発行日 2025-03-07 16:08:53+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, cs.RO | Riemann$^2$: Learning Riemannian Submanifolds from Riemannian Data はコメントを受け付けていません

Learning-Augmented Search Data Structures

投稿日: 2025年3月10日 作成者: jarxiv

要約

効率的な検索クエリのために設計された従来のデータ構造を改善するために、機械学習アドバイスの統合を研究します。
機械学習アドバイスを使用して、バイナリ検索ツリーのパフォーマンスを改善するための最近の努力がありましたが、Lin et。
アル。
（ICML 2022）、それにもかかわらず、結果として生じる構造は、複数のアップデートにわたってバランスを維持する複雑さや部分的に順序付けられたまたは高次元のデータセットを処理できないなど、バイナリ検索ツリーの固有の弱点に苦しんでいます。
これらの理由により、この作業ではスキップリストとKDツリーに焦点を当てています。
アイテムのセットで検索クエリの推定された分数周波数を出力する可能性のある誤ったOracleへのアクセスを考慮して、2倍近くで最適な予想検索時間を提供するスキップリストとKDツリーを構築します。
実際、Oracleが一定の要因内でのみ正確であっても、学習式の高級スキップリストとKDツリーは依然として一定の要因まで最適です。
また、予測が任意に間違っている場合でも、忘れられないスキップリスト/KDツリー構造の一定の係数内にある予想される検索時間をデータ構造が達成することを示すことにより、堅牢性を示します。
最後に、学習式の高度検索データ構造が、合成データセットと現実世界の両方のデータセットで対応する従来のアナログよりも優れていることを経験的に示します。

要約(オリジナル)

We study the integration of machine learning advice to improve upon traditional data structure designed for efficient search queries. Although there has been recent effort in improving the performance of binary search trees using machine learning advice, e.g., Lin et. al. (ICML 2022), the resulting constructions nevertheless suffer from inherent weaknesses of binary search trees, such as complexity of maintaining balance across multiple updates and the inability to handle partially-ordered or high-dimensional datasets. For these reasons, we focus on skip lists and KD trees in this work. Given access to a possibly erroneous oracle that outputs estimated fractional frequencies for search queries on a set of items, we construct skip lists and KD trees that provably provides the optimal expected search time, within nearly a factor of two. In fact, our learning-augmented skip lists and KD trees are still optimal up to a constant factor, even if the oracle is only accurate within a constant factor. We also demonstrate robustness by showing that our data structures achieves an expected search time that is within a constant factor of an oblivious skip list/KD tree construction even when the predictions are arbitrarily incorrect. Finally, we empirically show that our learning-augmented search data structures outperforms their corresponding traditional analogs on both synthetic and real-world datasets.

arxiv情報

著者 Chunkai Fu,Brandon G. Nguyen,Jung Hoon Seo,Ryan Zesch,Samson Zhou
発行日 2025-03-07 16:10:36+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.DS, cs.LG | Learning-Augmented Search Data Structures はコメントを受け付けていません

Revitalizing Saturated Benchmarks: A Weighted Metric Approach for Differentiating Large Language Model Performance

投稿日: 2025年3月10日 作成者: jarxiv

要約

既存のベンチマークは飽和状態になり、データの汚染やLLM機能の進歩などの要因により、モデルのパフォーマンスを分離するのに苦労しています。
このペーパーでは、モデルの分離を強化することでベンチマークを活性化する新規加重メトリックであるEMDM（強化されたモデル分化メトリック）を紹介します。
EMDMは、最終的な回答と考え方（COT）の推論の正しさを統合し、評価データの特定のサンプルを解決するために必要な複雑さと推論の深さに基づいて重みを割り当てます。
2つのセットアップでベースラインLLMを使用すると、モデルがテストサンプルに事前に曝露していないため、モデルが目的のAnswer-EMDMの事前知識を持っている場合、さまざまな難易度のインスタンスを区別します。
これらのセットアップからのCOTと回答の正確性は、体重割り当ての最適化目標を提供し、モデルパフォーマンスのより微妙な評価をもたらします。
ARC-Challengeで17％の分離を達成する正確な一致（EM）メトリックと比較して、EMDMは46％を達成し、推論と知識の要件に基づいてモデルの差別化における有効性を示しています。

要約(オリジナル)

Existing benchmarks are becoming saturated and struggle to separate model performances due to factors like data contamination and advancing LLM capabilities. This paper introduces EMDM (Enhanced Model Differentiation Metric), a novel weighted metric that revitalizes benchmarks by enhancing model separation. EMDM integrates final answer and Chain-of-Thought (CoT) reasoning correctness, assigning weights based on the complexity and reasoning depth required to solve a given sample in the evaluation data. Using a baseline LLM in two setups-Unguided, where the model has no prior exposure to test samples, and Guided, where the model has prior knowledge of the desired answer-EMDM distinguishes instances of varying difficulty. The CoT and answer correctness from these setups inform an optimization objective for weight assignment, resulting in a more nuanced evaluation of model performance. Compared to the exact match (EM) metric, which achieves 17% separation on ARC-Challenge, EMDM achieves 46%, demonstrating its effectiveness in differentiating models based on reasoning and knowledge requirements.

arxiv情報

著者 Bryan Etzine,Masoud Hashemi,Nishanth Madhusudhan,Sagar Davasam,Roshnee Sharma,Sathwik Tejaswi Madhusudhan,Vikas Yadav
発行日 2025-03-07 16:25:09+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG | Revitalizing Saturated Benchmarks: A Weighted Metric Approach for Differentiating Large Language Model Performance はコメントを受け付けていません

Transformer-Based Fault-Tolerant Control for Fixed-Wing UAVs Using Knowledge Distillation and In-Context Adaptation

投稿日: 2025年3月10日 作成者: jarxiv

要約

この研究では、構造的損傷またはアクチュエータの障害によって引き起こされる動的な変化にリアルタイムに適応するように設計された、固定翼の無人航空機（UAV）における断層耐性制御のための変圧器ベースのアプローチを提示します。
古典的な制御理論に依存し、ダイナミクスの深刻な変化の下での闘争に依存している従来の飛行制御システム（FCSS）とは異なり、私たちの方法は、変圧器のコンテキスト学習と注意メカニズムを使用して、標高、見出し、および気速度を対照コマンドに直接マッピングするため、内部ループコントローラーと断層検査の層をバイパスします。
提案されたアプローチは、教師と学生の知識蒸留フレームワークを採用して、特権のある専門家エージェントから完全な観察可能性を備えた知識を転送し、多様な障害シナリオ全体で堅牢なパフォーマンスを可能にすることにより、部分的な観察で学生エージェントを訓練します。
実験結果は、変圧器ベースのコントローラーが業界標準のFCSと最先端の強化学習（RL）方法を上回り、名目条件と極端な障害の場合の高い追跡精度と安定性を維持し、UAVの運用上の安全性と関連性を高める可能性を強調することを示しています。

要約(オリジナル)

This study presents a transformer-based approach for fault-tolerant control in fixed-wing Unmanned Aerial Vehicles (UAVs), designed to adapt in real time to dynamic changes caused by structural damage or actuator failures. Unlike traditional Flight Control Systems (FCSs) that rely on classical control theory and struggle under severe alterations in dynamics, our method directly maps outer-loop reference values — altitude, heading, and airspeed — into control commands using the in-context learning and attention mechanisms of transformers, thus bypassing inner-loop controllers and fault-detection layers. Employing a teacher-student knowledge distillation framework, the proposed approach trains a student agent with partial observations by transferring knowledge from a privileged expert agent with full observability, enabling robust performance across diverse failure scenarios. Experimental results demonstrate that our transformer-based controller outperforms industry-standard FCS and state-of-the-art reinforcement learning (RL) methods, maintaining high tracking accuracy and stability in nominal conditions and extreme failure cases, highlighting its potential for enhancing UAV operational safety and reliability.

arxiv情報

著者 Francisco Giral,Ignacio Gómez,Ricardo Vinuesa,Soledad Le Clainche
発行日 2025-03-07 16:28:13+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, cs.RO, cs.SY, eess.SY | Transformer-Based Fault-Tolerant Control for Fixed-Wing UAVs Using Knowledge Distillation and In-Context Adaptation はコメントを受け付けていません