論文の概要: Learning-based Adaptive Control via Contraction Theory
- arxiv url: http://arxiv.org/abs/2103.02987v1
- Date: Thu, 4 Mar 2021 12:19:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-05 14:41:26.167286
- Title: Learning-based Adaptive Control via Contraction Theory
- Title（参考訳）: 契約理論による学習型適応制御
- Authors: Hiroyasu Tsukamoto and Soon-Jo Chung and Jean-Jacques Slotine
- Abstract要約: パラメトリック不確実性を有する非線形システムのための新しいディープラーニングに基づく適応制御フレームワーク、Adaptive Neural Contraction Metric (aNCM) を提案する。
aNCMは、不確実性の下でシステムの軌道の安定性と指数有界性を保証する最適適応収縮メトリックのニューラルネットワークモデルを使用する。
- 参考スコア（独自算出の注目度）: 7.918886297003018
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a new deep learning-based adaptive control framework for nonlinear
systems with multiplicatively-separable parametric uncertainty, called an
adaptive Neural Contraction Metric (aNCM). The aNCM uses a neural network model
of an optimal adaptive contraction metric, the existence of which guarantees
asymptotic stability and exponential boundedness of system trajectories under
the parametric uncertainty. In particular, we exploit the concept of a Neural
Contraction Metric (NCM) to obtain a nominal provably stable robust control
policy for nonlinear systems with bounded disturbances, and combine this policy
with a novel adaptation law to achieve stability guarantees. We also show that
the framework is applicable to adaptive control of dynamical systems modeled
via basis function approximation. Furthermore, the use of neural networks in
the aNCM permits its real-time implementation, resulting in broad applicability
to a variety of systems. Its superiority to the state-of-the-art is illustrated
with a simple cart-pole balancing task.
- Abstract（参考訳）: 本稿では,適応神経収縮計量(adaptive neural shrink metric, ancm)と呼ばれる,乗算可能なパラメトリック不確かさを持つ非線形システムのための,新しいディープラーニングに基づく適応制御フレームワークを提案する。
aNCMは、パラメトリック不確実性の下での系軌道の漸近安定性と指数的有界性を保証する最適適応収縮計量のニューラルネットワークモデルを使用する。
特に,神経収縮計量(ncm)の概念を活用し,境界外乱を有する非線形システムに対して名目上十分安定なロバスト制御方針を得るとともに,この方針を新しい適応則と組み合わせて安定性保証を実現する。
また,基底関数近似を用いてモデル化した力学系の適応制御に適用できることを示した。
さらに、ニューラルネットワークをaNCMで使用することで、リアルタイムの実装が可能となり、様々なシステムに適用可能である。
最先端技術に対するその優位性は、単純なカートポールバランスタスクで示される。
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) - Parameter-Adaptive Approximate MPC: Tuning Neural-Network Controllers without Retraining [50.00291020618743]
この研究は、大規模なデータセットを再計算し、再トレーニングすることなくオンラインチューニングが可能な、新しいパラメータ適応型AMPCアーキテクチャを導入している。
資源制約の厳しいマイクロコントローラ(MCU)を用いた2種類の実カートポールシステムの揺らぎを制御し,パラメータ適応型AMPCの有効性を示す。
これらの貢献は、現実世界のシステムにおけるAMPCの実践的応用に向けた重要な一歩である。
論文 参考訳（メタデータ） (2024-04-08T20:02:19Z) - Sub-linear Regret in Adaptive Model Predictive Control [56.705978425244496]
本稿では,STT-MPC (Self-Tuning tube-based Model Predictive Control) について述べる。
システム力学を最初に認識したアルゴリズムと比較して,アルゴリズムの後悔を解析する。
論文 参考訳（メタデータ） (2023-10-07T15:07:10Z) - Adaptive Robust Model Predictive Control via Uncertainty Cancellation [25.736296938185074]
本稿では,動的に重要な不確かさを補う学習に基づく頑健な予測制御アルゴリズムを提案する。
我々は、一定の等価な「推定とキャンセル」制御法に着想を得た、非線形フィードバックポリシーのクラスを最適化する。
論文 参考訳（メタデータ） (2022-12-02T18:54:23Z) - Backward Reachability Analysis of Neural Feedback Loops: Techniques for
Linear and Nonlinear Systems [59.57462129637796]
本稿では,ニューラルネットワークを用いた閉ループシステムの安全性検証のための後方到達性アプローチを提案する。
フィードバックループにおけるNNの存在は、その活性化関数の非線形性や、NNモデルは一般に可逆的ではないため、ユニークな問題セットを示す。
フィードフォワードNNで表される制御ポリシを持つ線形系と非線形系のBP過近似を計算するためのフレームワークを提案する。
論文 参考訳（メタデータ） (2022-09-28T13:17:28Z) - 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) - Adaptive Robust Model Predictive Control with Matched and Unmatched
Uncertainty [28.10549712956161]
離散時間系のダイナミクスにおける大きな不確実性を扱うことができる学習ベースの堅牢な予測制御アルゴリズムを提案する。
既存の学習に基づく予測制御アルゴリズムが大規模な不確実性が存在する場合の安全性を確保することができず、性能が大幅に向上する。
論文 参考訳（メタデータ） (2021-04-16T17:47:02Z) - 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) - Neural Stochastic Contraction Metrics for Learning-based Control and
Estimation [13.751135823626493]
NSCMフレームワークにより、自律エージェントは最適な安定制御と推定ポリシーをリアルタイムで近似することができる。
これは、状態依存リカティ方程式、反復LQR、EKF、神経収縮など、既存の非線形制御と推定技術より優れている。
論文 参考訳（メタデータ） (2020-11-06T03:04:42Z) - Neural Contraction Metrics for Robust Estimation and Control: A Convex
Optimization Approach [6.646482960350819]
本稿では,ニューラル・コントラクト・メトリック(NCM)の概念を用いて,ロバストな非線形推定と制御のための新しいディープラーニングベースのフレームワークを提案する。
NCMは、最適な収縮距離を大域的に近似するために、ディープロング短期記憶リカレントニューラルネットワークを使用する。
そこで本稿では,NCMを用いた非線形システムの最適推定器と制御器の設計について述べる。
論文 参考訳（メタデータ） (2020-06-08T05:29:38Z) - Adaptive Control and Regret Minimization in Linear Quadratic Gaussian
(LQG) Setting [91.43582419264763]
我々は不確実性に直面した楽観主義の原理に基づく新しい強化学習アルゴリズムLqgOptを提案する。
LqgOptはシステムのダイナミクスを効率的に探索し、モデルのパラメータを信頼区間まで推定し、最も楽観的なモデルのコントローラをデプロイする。
論文 参考訳（メタデータ） (2020-03-12T19:56:38Z)
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。