Fugu-MT 論文翻訳(概要): Optimal Energy Shaping via Neural Approximators

論文の概要: Optimal Energy Shaping via Neural Approximators

arxiv url: http://arxiv.org/abs/2101.05537v1
Date: Thu, 14 Jan 2021 10:25:58 GMT
ステータス: 処理完了
システム内更新日: 2021-03-29 00:52:23.923027
Title: Optimal Energy Shaping via Neural Approximators
Title（参考訳）: ニューラル近似器による最適エネルギー形成
Authors: Stefano Massaroli, Michael Poli, Federico Califano, Jinkyoo Park, Atsushi Yamashita and Hajime Asama
Abstract要約: 古典的受動性に基づく制御手法の強化として,最適エネルギー整形を導入する。パッシブコントロールフレームワークのパフォーマンスを調整するための体系的なアプローチはまだ開発されていない。
参考スコア（独自算出の注目度）: 16.879710744315233
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce optimal energy shaping as an enhancement of classical passivity-based control methods. A promising feature of passivity theory, alongside stability, has traditionally been claimed to be intuitive performance tuning along the execution of a given task. However, a systematic approach to adjust performance within a passive control framework has yet to be developed, as each method relies on few and problem-specific practical insights. Here, we cast the classic energy-shaping control design process in an optimal control framework; once a task-dependent performance metric is defined, an optimal solution is systematically obtained through an iterative procedure relying on neural networks and gradient-based optimization. The proposed method is validated on state-regulation tasks.
Abstract（参考訳）: 古典的受動率に基づく制御手法の強化として最適エネルギー整形を導入する。受動性理論の有望な特徴は、安定性と共に、伝統的に与えられたタスクの実行に沿って直感的なパフォーマンスチューニングであると言われている。しかしながら、受動的制御フレームワーク内での性能を調整するための体系的なアプローチはまだ開発されていない。タスクに依存したパフォーマンスメトリックを定義すると、ニューラルネットワークと勾配に基づく最適化に依存する反復的な手順によって最適解が体系的に得られる。提案手法は状態制御タスクに対して検証される。

関連論文リスト

Receding Hamiltonian-Informed Optimal Neural Control and State Estimation for Closed-Loop Dynamical Systems [4.05766189327054]
Hamiltonian-Informed Optimal Neural (Hion) コントローラは、動的システムのためのニューラルネットワークベースの新しいクラスである。ヒオンコントローラは将来の状態を推定し、ポントリャーギンの原理を用いて最適制御入力を計算する。
論文参考訳（メタデータ） (2024-11-02T16:06:29Z)
Learning Joint Models of Prediction and Optimization [56.04498536842065]
Predict-Then-Thenフレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。本稿では,共同予測モデルを用いて観測可能特徴から最適解を直接学習する手法を提案する。
論文参考訳（メタデータ） (2024-09-07T19:52:14Z)
Adaptive Bayesian Optimization for High-Precision Motion Systems [2.073673208115137]
低レベル制御パラメータをオンラインチューニングすることで、適応制御のためのリアルタイム純粋データ駆動モデルフリーアプローチを提案する。我々は安全かつサンプル効率のよいベイズ最適化アルゴリズムであるGoOSEをベースとした。半導体産業に応用した実精度運動システムにおけるアルゴリズムの性能評価を行った。
論文参考訳（メタデータ） (2024-04-22T21:58:23Z)
Growing Q-Networks: Solving Continuous Control Tasks with Adaptive Control Resolution [51.83951489847344]
ロボット工学の応用において、スムーズな制御信号はシステム摩耗とエネルギー効率を減らすために一般的に好まれる。本研究では,離散的な動作空間を粗い状態から細かい制御分解能まで拡大することにより,この性能ギャップを埋めることを目的とする。我々の研究は、値分解とアダプティブ・コントロール・リゾリューションが組み合わさることで、単純な批判のみのアルゴリズムが得られ、連続制御タスクにおいて驚くほど高い性能が得られることを示唆している。
論文参考訳（メタデータ） (2024-04-05T17:58:37Z)
Multi-level Optimal Control with Neural Surrogate Models [0.7646713951724013]
与えられたアクチュエータ実現のための最適閉ループの評価は、計算的に要求されるタスクである。最適化階層の下位レベルを置き換えるためにニューラルネットワークサロゲートを使用することを提案する。提案したサロゲートモデルと最適化手法の有効性を, 熱制御のための最適アクチュエータ位置に関する試験で評価した。
論文参考訳（メタデータ） (2024-02-12T16:28:57Z)
Analyzing and Enhancing the Backward-Pass Convergence of Unrolled Optimization [50.38518771642365]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。 Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
論文参考訳（メタデータ） (2023-12-28T23:15:18Z)
Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文参考訳（メタデータ） (2023-01-28T01:50:42Z)
Introduction to Online Nonstochastic Control [34.77535508151501]
オンラインの非確率制御では、コスト関数と仮定された力学モデルからの摂動の両方が敵によって選択される。目標は、ベンチマーククラスの政策から見て、最高の政策に対して低い後悔を得ることだ。
論文参考訳（メタデータ） (2022-11-17T16:12:45Z)
Low-light Image Enhancement by Retinex Based Algorithm Unrolling and Adjustment [50.13230641857892]
本稿では,低照度画像強調(LIE)問題に対する新たなディープラーニングフレームワークを提案する。提案フレームワークは,大域的明るさと局所的明るさ感度の両方を考慮したアルゴリズムアンロールと調整ネットワークに着想を得た分解ネットワークを含む。一連の典型的なLIEデータセットの実験では,既存の手法と比較して,定量的かつ視覚的に,提案手法の有効性が示された。
論文参考訳（メタデータ） (2022-02-12T03:59:38Z)
Learning Stochastic Optimal Policies via Gradient Descent [17.9807134122734]
学習に基づく最適制御処理(SOC)を体系的に開発する。本稿では, 微分方程式に対する随伴感度の導出について, 変分計算の直接適用により提案する。本稿では,比例トランザクションコストを伴う連続時間有限地平線ポートフォリオ最適化における提案手法の有効性を検証する。
論文参考訳（メタデータ） (2021-06-07T16:43:07Z)
Logistic Q-Learning [87.00813469969167]
MDPにおける最適制御の正規化線形プログラミング定式化から導いた新しい強化学習アルゴリズムを提案する。提案アルゴリズムの主な特徴は,広範に使用されているベルマン誤差の代わりとして理論的に音声として機能する,政策評価のための凸損失関数である。
論文参考訳（メタデータ） (2020-10-21T17:14:31Z)

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。