論文の概要: Offset-free setpoint tracking using neural network controllers
- arxiv url: http://arxiv.org/abs/2011.14006v2
- Date: Thu, 29 Apr 2021 17:10:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-22 01:54:40.067386
- Title: Offset-free setpoint tracking using neural network controllers
- Title（参考訳）: ニューラルネットワークコントローラを用いたオフセットフリー設定点追跡
- Authors: Patricia Pauli, Johannes K\"ohler, Julian Berberich, Anne Koch and
Frank Allg\"ower
- Abstract要約: ニューラルネットワークコントローラを用いたオフセットフリーなセットポイントトラッキングにおける局所的および大域的安定性を解析する手法を提案する。
我々は,対応するアトラクション領域の楕円体内近似を提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we present a method to analyze local and global stability in
offset-free setpoint tracking using neural network controllers and we provide
ellipsoidal inner approximations of the corresponding region of attraction. We
consider a feedback interconnection of a linear plant in connection with a
neural network controller and an integrator, which allows for offset-free
tracking of a desired piecewise constant reference that enters the controller
as an external input. Exploiting the fact that activation functions used in
neural networks are slope-restricted, we derive linear matrix inequalities to
verify stability using Lyapunov theory. After stating a global stability
result, we present less conservative local stability conditions (i) for a given
reference and (ii) for any reference from a certain set. The latter result even
enables guaranteed tracking under setpoint changes using a reference governor
which can lead to a significant increase of the region of attraction. Finally,
we demonstrate the applicability of our analysis by verifying stability and
offset-free tracking of a neural network controller that was trained to
stabilize a linearized inverted pendulum.
- Abstract（参考訳）: 本稿では,ニューラルネットワークコントローラを用いてオフセットフリーなセットポイントトラッキングにおける局所的および大域的安定性を解析し,対応するアトラクション領域の楕円形内部近似を提案する。
本稿では,ニューラルネットワークコントローラとインテグレータを接続したリニアプラントのフィードバック相互接続を考察し,コントローラを外部入力として入力する所望のピースワイド定数参照のオフセットフリーなトラッキングを可能にする。
ニューラルネットワークで用いられる活性化関数が傾斜制限されているという事実が発覚し、線形行列の不等式を導出し、リアプノフ理論を用いて安定性を検証する。
グローバルな安定性の結果を述べた後、保守性の低い局所安定状態を示す。
(i)ある基準について、及び
(ii)ある集合からのいかなる参照に対しても。
後者の結果は、参照ガバナを使用してセットポイント変更によるトラッキングを保証でき、アトラクション領域が大幅に増加する可能性がある。
最後に,線形反転振子を安定化するように訓練されたニューラルネットワークコントローラの安定性とオフセットフリートラッキングを検証することにより,本解析の適用性を示す。
関連論文リスト
- Lyapunov-stable Neural Control for State and Output Feedback: A Novel Formulation [67.63756749551924]
学習ベースのニューラルネットワーク(NN)制御ポリシは、ロボット工学と制御の幅広いタスクにおいて、印象的な経験的パフォーマンスを示している。
非線形力学系を持つNNコントローラのトラクション領域(ROA)に対するリアプノフ安定性の保証は困難である。
我々は、高速な経験的ファルシフィケーションと戦略的正則化を用いて、Lyapunov証明書とともにNNコントローラを学習するための新しいフレームワークを実証する。
論文 参考訳（メタデータ） (2024-04-11T17:49:15Z) - Structured Deep Neural Network-Based Backstepping Trajectory Tracking Control for Lagrangian Systems [9.61674297336072]
提案したコントローラは、任意の互換性のあるニューラルネットワークパラメータに対してクローズループ安定性を確保することができる。
モデル近似誤差や外乱の存在下では、閉ループ安定性と追従制御性能が保証されることが示されている。
論文 参考訳（メタデータ） (2024-03-01T09:09:37Z) - Training Certifiably Robust Neural Networks with Efficient Local
Lipschitz Bounds [99.23098204458336]
認証された堅牢性は、安全クリティカルなアプリケーションにおいて、ディープニューラルネットワークにとって望ましい性質である。
提案手法は,MNISTおよびTinyNetデータセットにおける最先端の手法より一貫して優れていることを示す。
論文 参考訳（メタデータ） (2021-11-02T06:44:10Z) - A Theoretical Overview of Neural Contraction Metrics for Learning-based
Control with Guaranteed Stability [7.963506386866862]
本稿では,最適縮尺と対応する微分リャプノフ関数のニューラルネットワークモデルを提案する。
そのイノベーションは、学習ベースの制御フレームワークに対して、正式な堅牢性を保証することである。
論文 参考訳（メタデータ） (2021-10-02T00:28:49Z) - Neural network optimal feedback control with enhanced closed loop
stability [3.0981875303080795]
近年の研究では、教師あり学習は高次元非線形力学系のための最適フィードバックコントローラを設計するための有効なツールであることが示されている。
しかし、これらのニューラルネットワーク(NN)コントローラの挙動はまだよく理解されていない。
本稿では,NNコントローラがシステムの安定化に有効であることを示すために,数値シミュレーションを用いた。
論文 参考訳（メタデータ） (2021-09-15T17:59:20Z) - Robust Stability of Neural-Network Controlled Nonlinear Systems with
Parametric Variability [2.0199917525888895]
ニューラルネットワーク制御非線形システムの安定性と安定化性の理論を考案する。
このような頑健な安定化NNコントローラの計算には、安定性保証トレーニング(SGT)も提案されている。
論文 参考訳（メタデータ） (2021-09-13T05:09:30Z) - Certifying Incremental Quadratic Constraints for Neural Networks via
Convex Optimization [2.388501293246858]
我々は,関心領域上のニューラルネットワークのマップ上で漸進的二次的制約を証明するための凸プログラムを提案する。
証明書は、(ローカル)Lipschitz連続性、片側Lipschitz連続性、反転性、および収縮などのいくつかの有用な特性をキャプチャできます。
論文 参考訳（メタデータ） (2020-12-10T21:15:00Z) - Gaussian Process-based Min-norm Stabilizing Controller for
Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。
この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
論文 参考訳（メタデータ） (2020-11-14T01:27:32Z) - Transition control of a tail-sitter UAV using recurrent neural networks [80.91076033926224]
制御戦略は姿勢と速度安定化に基づいている。
RNNは高非線形空力項の推定に用いられる。
その結果, 遷移操作時の直線速度とピッチ角の収束性を示した。
論文 参考訳（メタデータ） (2020-06-29T21:33:30Z) - Lipschitz Recurrent Neural Networks [100.72827570987992]
我々のリプシッツ再帰ユニットは、他の連続時間RNNと比較して、入力やパラメータの摂動に対してより堅牢であることを示す。
実験により,Lipschitz RNNは,ベンチマークタスクにおいて,既存のリカレントユニットよりも優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2020-06-22T08:44:52Z) - Neural Control Variates [71.42768823631918]
ニューラルネットワークの集合が、積分のよい近似を見つけるという課題に直面していることを示す。
理論的に最適な分散最小化損失関数を導出し、実際に安定したオンライントレーニングを行うための代替の複合損失を提案する。
具体的には、学習した光場近似が高次バウンスに十分な品質であることを示し、誤差補正を省略し、無視可能な可視バイアスのコストでノイズを劇的に低減できることを示した。
論文 参考訳（メタデータ） (2020-06-02T11:17:55Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。