論文の概要: On the Universal Transformation of Data-Driven Models to Control Systems

• arxiv url: http://arxiv.org/abs/2102.04722v1
• Date: Tue, 9 Feb 2021 09:33:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-10 14:48:26.266551
• Title: On the Universal Transformation of Data-Driven Models to Control Systems
• Title（参考訳）: データ駆動モデルから制御システムへのユニバーサル変換について
• Authors: Sebastian Peitz and Katharina Bieker
• Abstract要約: 任意の予測モデルを制御系に変換する普遍的なフレームワークを提案する。 提案手法の利点は,制御次元に対するデータ要求の線形増加である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: As in almost every other branch of science, the major advances in data science and machine learning have also resulted in significant improvements regarding the modeling and simulation of nonlinear dynamical systems. It is nowadays possible to make accurate medium to long-term predictions of highly complex systems such as the weather, the dynamics within a nuclear fusion reactor, of disease models or the stock market in a very efficient manner. In many cases, predictive methods are advertised to ultimately be useful for control, as the control of high-dimensional nonlinear systems is an engineering grand challenge with huge potential in areas such as clean and efficient energy production, or the development of advanced medical devices. However, the question of how to use a predictive model for control is often left unanswered due to the associated challenges, namely a significantly higher system complexity, the requirement of much larger data sets and an increased and often problem-specific modeling effort. To solve these issues, we present a universal framework (which we call QuaSiModO: Quantization-Simulation-Modeling-Optimization) to transform arbitrary predictive models into control systems and use them for feedback control. The advantages of our approach are a linear increase in data requirements with respect to the control dimension, performance guarantees that rely exclusively on the accuracy of the predictive model, and only little prior knowledge requirements in control theory to solve complex control problems. In particular the latter point is of key importance to enable a large number of researchers and practitioners to exploit the ever increasing capabilities of predictive models for control in a straight-forward and systematic fashion.
• Abstract（参考訳）: ほぼすべての科学分野と同様に、データサイエンスと機械学習の大きな進歩は、非線形力学システムのモデリングとシミュレーションに関する大幅な改善をもたらしました。 現在では、天気、核融合炉内の動力学、疾患モデル、株式市場など、非常に複雑なシステムの正確な中・長期予測を非常に効率的な方法で行うことが可能である。 多くの場合、高次元非線形システムの制御はクリーンで効率的なエネルギー生産や先進医療機器の開発といった分野で大きな可能性を持つ工学的大挑戦であり、予測手法は最終的に制御に有用であると宣伝されている。 しかし、制御に予測モデルを使用する方法の問題は、関連する課題、すなわちシステムの複雑さの大幅な向上、より大規模なデータセットの要求、およびしばしば問題固有のモデリング作業の増加のために、しばしば答えられません。 これらの問題を解決するために,任意の予測モデルを制御系に変換し,フィードバック制御に利用する汎用フレームワーク(quantization-simulation-modeling-optimization と呼ぶ)を提案する。 このアプローチの利点は、制御次元に関するデータ要求の線形増加、予測モデルの精度にのみ依存する性能保証、複雑な制御問題を解くための制御理論における事前知識要件の少なさである。 特に後者のポイントは、多数の研究者や実践者が、まっすぐかつ体系的な方法で制御のための予測モデルのますます増加する能力を活用できるようにすることが重要です。

関連論文リスト

• Data-Driven Predictive Control of Nonholonomic Robots Based on a Bilinear Koopman Realization: Data Does Not Replace Geometry [0.5277756703318045]
  本稿では,非ホロノミック移動ロボットの予測制御系にEDMDモデルを組み込む方法について検討する。 実世界の計測データのみを用いて、シミュレーションとハードウェア実験の両方で、サロゲートモデルが高精度な予測制御を可能にすることが示されている。
  論文  参考訳（メタデータ） (2024-11-11T18:08:17Z)
• On Robust Numerical Solver for ODE via Self-Attention Mechanism [82.95493796476767]
  我々は,内在性雑音障害を緩和し,AIによって強化された数値解法を,データサイズを小さくする訓練について検討する。 まず,教師付き学習における雑音を制御するための自己認識機構の能力を解析し,さらに微分方程式の数値解に付加的な自己認識機構を導入し,簡便かつ有効な数値解法であるAttrを提案する。
  論文  参考訳（メタデータ） (2023-02-05T01:39:21Z)
• Domain-aware Control-oriented Neural Models for Autonomous Underwater Vehicles [2.4779082385578337]
  ドメイン認識のレベルが異なる制御指向パラメトリックモデルを提案する。 データ駆動型ブラックボックスとAUVダイナミクスのグレイボックス表現を構築するために、普遍微分方程式を用いる。
  論文  参考訳（メタデータ） (2022-08-15T17:01:14Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Real-time Neural-MPC: Deep Learning Model Predictive Control for Quadrotors and Agile Robotic Platforms [59.03426963238452]
  モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。 ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
  論文  参考訳（メタデータ） (2022-03-15T09:38:15Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Constructing Neural Network-Based Models for Simulating Dynamical Systems [59.0861954179401]
  データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。 本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。 基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
  論文  参考訳（メタデータ） (2021-11-02T10:51:42Z)
• Sparsity in Partially Controllable Linear Systems [56.142264865866636]
  本研究では, 部分制御可能な線形力学系について, 基礎となる空間パターンを用いて検討する。 最適制御には無関係な状態変数を特徴付ける。
  論文  参考訳（メタデータ） (2021-10-12T16:41:47Z)
• Prediction with Approximated Gaussian Process Dynamical Models [7.678864239473703]
  我々はマルコフであるGPDMを近似し、その制御理論的性質を解析する。 結果は、近似モデルのパワーを示す数値的な例で示される。
  論文  参考訳（メタデータ） (2020-06-25T16:51:17Z)
• Modeling System Dynamics with Physics-Informed Neural Networks Based on Lagrangian Mechanics [3.214927790437842]
  第一原則の手法は高いバイアスに悩まされるが、データ駆動モデリングは高いばらつきを持つ傾向がある。 本稿では,2つのモデリング手法を組み合わせて上記の問題を解くハイブリッドモデルであるPINODEについて述べる。 本研究の目的は,機械系のモデルベース制御とシステム同定である。
  論文  参考訳（メタデータ） (2020-05-29T15:10:43Z)

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。