論文の概要: Discrete-time Contraction-based Control of Nonlinear Systems with Parametric Uncertainties using Neural Networks

• arxiv url: http://arxiv.org/abs/2105.05432v1
• Date: Wed, 12 May 2021 05:07:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-13 12:14:24.649115
• Title: Discrete-time Contraction-based Control of Nonlinear Systems with Parametric Uncertainties using Neural Networks
• Title（参考訳）: ニューラルネットワークを用いたパラメトリック不確かさをもつ非線形系の離散時間縮退制御
• Authors: Lai Wei, Ryan McCloy and Jie Bao
• Abstract要約: 本研究は,ニューラルネットワークを用いた離散時間収縮解析と制御へのアプローチを展開する。 この方法論は、ニューラルネットワークをトレーニングして、収縮メトリックとフィードバックゲインを学習する。 結果として得られる収縮ベースのコントローラは、訓練されたニューラルネットワークを組み込み、時間変動参照の効率的な追跡を達成することができる。
• 参考スコア（独自算出の注目度）: 6.804154699470765
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Flexible manufacturing in the process industry requires control systems to achieve time-varying setpoints (e.g., product specifications) based on market demand. Contraction theory provides a useful framework for reference-independent system analysis and tracking control for nonlinear systems. However, determination of the control contraction metrics and control laws can be very difficult for general nonlinear systems. This work develops an approach to discrete-time contraction analysis and control using neural networks. The methodology involves training a neural network to learn a contraction metric and feedback gain. The resulting contraction-based controller embeds the trained neural network and is capable of achieving efficient tracking of time-varying references, with a full range of model uncertainty, without the need for controller structure redesign. This is a robust approach that can deal with bounded parametric uncertainties in the process model, which are commonly encountered in industrial (chemical) processes. Simulation examples are provided to illustrate the above approach.
• Abstract（参考訳）: プロセス産業におけるフレキシブルな製造は、市場需要に基づいた時間変化のセットポイント(製品仕様など)を達成するために制御システムを必要とする。 収縮理論は、非線形システムの参照独立系解析と追跡制御のための有用な枠組みを提供する。 しかし、制御収縮計量と制御則の決定は一般の非線形系では極めて困難である。 本研究は,ニューラルネットワークを用いた離散時間収縮解析と制御へのアプローチを展開する。 この方法論では、ニューラルネットワークをトレーニングして、収縮メトリックとフィードバックゲインを学習する。 結果として得られた収縮ベースのコントローラは、トレーニングされたニューラルネットワークを組み込み、コントローラー構造を再設計することなく、完全なモデル不確実性を備えた時間変化参照の効率的なトラッキングを実現することができる。 これは、産業(化学)プロセスでよく見られるプロセスモデルにおける有界パラメトリック不確実性に対処できる堅牢なアプローチである。 上記のアプローチを説明するためのシミュレーション例が提供されている。

関連論文リスト

• Identification For Control Based on Neural Networks: Approximately Linearizable Models [42.15267357325546]
  本研究では,非線形システムの効率的な制御設計と安定性解析のための制御指向同定手法を提案する。 ニューラルネットワークは離散時間非線形状態空間モデルを特定し、時間領域の入力出力挙動を近似する。 ネットワークは、同定されたモデルがフィードバックによってほぼ線形化可能であるように構成され、制御則が学習段階から自明に従うことを保証する。
  論文  参考訳（メタデータ） (2024-09-24T08:31:22Z)
• Data-driven Nonlinear Model Reduction using Koopman Theory: Integrated Control Form and NMPC Case Study [56.283944756315066]
  そこで本研究では,遅延座標符号化と全状態復号化を組み合わせた汎用モデル構造を提案し,Koopmanモデリングと状態推定を統合した。 ケーススタディでは,本手法が正確な制御モデルを提供し,高純度極低温蒸留塔のリアルタイム非線形予測制御を可能にすることを実証している。
  論文  参考訳（メタデータ） (2024-01-09T11:54:54Z)
• Learning Control-Oriented Dynamical Structure from Data [25.316358215670274]
  一般非線形制御アフィン系に対する状態依存非線形トラッキングコントローラの定式化について論じる。 安定軌跡追跡における学習版の有効性を実証的に実証した。
  論文  参考訳（メタデータ） (2023-02-06T02:01:38Z)
• 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)
• 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)
• Controlling nonlinear dynamical systems into arbitrary states using machine learning [77.34726150561087]
  機械学習(ML)を活用した,新しい完全データ駆動制御方式を提案する。 最近開発されたMLに基づく複雑なシステムの予測機能により、非線形系は任意の初期状態から来る任意の動的対象状態に留まることが証明された。 必要なデータ量が少なく,柔軟性の高いコントロールスキームを備えることで,工学から医学まで幅広い応用の可能性について簡単に議論する。
  論文  参考訳（メタデータ） (2021-02-23T16:58:26Z)
• Neural-iLQR: A Learning-Aided Shooting Method for Trajectory Optimization [17.25824905485415]
  制約のない制御空間上の学習支援シューティング手法であるNeural-iLQRを提案する。 システムモデルにおける不正確さの存在下で、従来のiLQRよりも著しく優れていることが示されている。
  論文  参考訳（メタデータ） (2020-11-21T07:17:28Z)
• 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)
• Reach-SDP: Reachability Analysis of Closed-Loop Systems with Neural Network Controllers via Semidefinite Programming [19.51345816555571]
  本稿では,ニューラルネットワークを用いた線形時間変化システムの安全性検証のための新しいフォワードリーチビリティ解析手法を提案する。 半有限計画法を用いて、これらの近似到達可能な集合を計算できることが示される。 提案手法は,まずディープニューラルネットワークを用いて非線形モデル予測制御器を近似し,その解析ツールを用いて閉ループシステムの有限時間到達性と制約満足度を証明した。
  論文  参考訳（メタデータ） (2020-04-16T18:48:25Z)
• Logarithmic Regret Bound in Partially Observable Linear Dynamical Systems [91.43582419264763]
  部分的に観測可能な線形力学系におけるシステム同定と適応制御の問題について検討する。 開ループ系と閉ループ系の両方において有限時間保証付きの最初のモデル推定法を提案する。 AdaptOnは、未知の部分観測可能な線形力学系の適応制御において、$textpolylogleft(Tright)$ regretを達成する最初のアルゴリズムであることを示す。
  論文  参考訳（メタデータ） (2020-03-25T06:00:33Z)
• 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。