Stabilized Robust Control for Lightweight Autonomous Aircraft Mobility: A Quantum Reinforcement Learning Approach
Notice bibliographique
Résumé
The stability of aircraft remains vulnerable to sudden external disturbances and unpredictable vortices. The aircraft's attitude angles undergo rapid changes due to random turbulence. Consequently, to ensure safety, it is essential to control the aircraft's control surfaces, i.e., ailerons, elevators, and rudder angles, to maintain its static stability. Although classical closed-loop control methods have been widely adopted, their limited adaptability to changing dynamics calls for more robust solutions. Reinforcement learning (RL) offers adaptive capabilities but often demands a large number of training parameters and substantial computational resources, which may be impractical for real-time lightweight aircraft applications. To overcome these limitations, this paper introduces a quantum aircraft with the quantum actorcritic networks-based aircraft control (QACN-AC) algorithm. By utilizing quantum neural networks (QNN), QACN-AC significantly reduces the number of parameters required for training, thus mitigating computational overhead while preserving robust control performance. The QACN-AC's effectiveness is validated through realistic simulations leveraging Boeing's B777 specifications. The results highlight QACN-AC's superiority over conventional RL, evidenced by a <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$1.25 \times$</tex> higher control performance and a <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$760 \times$</tex> reduction in the number of required parameters.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».