論文の概要: Concurrent Learning Based Tracking Control of Nonlinear Systems using
Gaussian Process
- arxiv url: http://arxiv.org/abs/2106.00910v1
- Date: Wed, 2 Jun 2021 02:59:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-04 07:15:27.489205
- Title: Concurrent Learning Based Tracking Control of Nonlinear Systems using
Gaussian Process
- Title（参考訳）: ガウス過程を用いた非線形システムの同時学習に基づく追従制御
- Authors: Vedant Bhandari and Erkan Kayacan
- Abstract要約: 本稿では,パラメータ推定ツールとしての並列学習と,オンライン外乱学習における非パラメトリックガウス過程の適用性を示す。
制御法則は、フィードバック線形化の文脈において、両方の手法を逐次的に用いて開発される。
n階系の閉ループ系安定性はリャプノフ安定性定理を用いて証明される。
- 参考スコア（独自算出の注目度）: 2.7930955543692817
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper demonstrates the applicability of the combination of concurrent
learning as a tool for parameter estimation and non-parametric Gaussian Process
for online disturbance learning. A control law is developed by using both
techniques sequentially in the context of feedback linearization. The
concurrent learning algorithm estimates the system parameters of structured
uncertainty without requiring persistent excitation, which are used in the
design of the feedback linearization law. Then, a non-parametric Gaussian
Process learns unstructured uncertainty. The closed-loop system stability for
the nth-order system is proven using the Lyapunov stability theorem. The
simulation results show that the tracking error is minimized (i) when true
values of model parameters have not been provided, (ii) in the presence of
disturbances introduced once the parameters have converged to their true values
and (iii) when system parameters have not converged to their true values in the
presence of disturbances.
- Abstract（参考訳）: 本稿では,オンライン外乱学習におけるパラメータ推定と非パラメトリックガウス過程のツールとしての同時学習の適用性を示す。
フィードバック線形化の文脈において,両手法を順次利用して制御則を構築する。
並列学習アルゴリズムは、フィードバック線形化法則の設計に使用される永続的な励起を必要としない構造的不確実性のシステムパラメータを推定する。
そして、非パラメトリックガウス過程は非構造不確かさを学習する。
n階系の閉ループ系安定性はリャプノフ安定性定理を用いて証明される。
シミュレーションの結果, モデルパラメータの真の値が提供されていない場合, (ii) パラメータが真の値に収束した後に導入された外乱が存在する場合, (iii) システムパラメータが外乱の存在下で真の値に収束していない場合, 追跡誤差が最小化されていることがわかった。
関連論文リスト
- Learning Controlled Stochastic Differential Equations [61.82896036131116]
本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。
我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。
当社のメソッドはオープンソースPythonライブラリとして利用可能です。
論文 参考訳（メタデータ） (2024-11-04T11:09:58Z) - Machine learning in parameter estimation of nonlinear systems [2.44755919161855]
本稿では,ハマー損失関数を用いたニューラルネットワークを用いたパラメータ推定手法を提案する。
この手法は、非線形方程式の複雑な振る舞いを規定するパラメータを明らかにするために、ディープラーニングの能力を利用する。
論文 参考訳（メタデータ） (2023-08-23T19:20:24Z) - Learning Over Contracting and Lipschitz Closed-Loops for
Partially-Observed Nonlinear Systems (Extended Version) [1.2430809884830318]
本稿では非線形な部分観測力学系に対する学習に基づく制御のためのポリシーパラメータ化を提案する。
結果のYoula-RENパラメータ化は自動的に安定性(収縮)とユーザチューニング可能な堅牢性(Lipschitz)を満足することを示した。
We found that the Youla-REN are also like to existing learning-based and optimal control method, also ensure stability and exhibiting improve robustness to adversarial disturbances。
論文 参考訳（メタデータ） (2023-04-12T23:55:56Z) - Bayesian Spline Learning for Equation Discovery of Nonlinear Dynamics
with Quantified Uncertainty [8.815974147041048]
本研究では,非線形(時空間)力学の擬似的支配方程式を,定量化された不確実性を伴うスパースノイズデータから同定する枠組みを開発した。
提案アルゴリズムは、正準常微分方程式と偏微分方程式によって制御される複数の非線形力学系に対して評価される。
論文 参考訳（メタデータ） (2022-10-14T20:37:36Z) - A Priori Denoising Strategies for Sparse Identification of Nonlinear
Dynamical Systems: A Comparative Study [68.8204255655161]
本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。
一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-01-29T23:31:25Z) - Structure-Preserving Learning Using Gaussian Processes and Variational
Integrators [62.31425348954686]
本稿では,機械系の古典力学に対する変分積分器と,ガウス過程の回帰による残留力学の学習の組み合わせを提案する。
我々は、既知のキネマティック制約を持つシステムへのアプローチを拡張し、予測の不確実性に関する公式な境界を提供する。
論文 参考訳（メタデータ） (2021-12-10T11:09:29Z) - Learning over All Stabilizing Nonlinear Controllers for a
Partially-Observed Linear System [4.3012765978447565]
線形力学系に対する非線形出力フィードバックコントローラのパラメータ化を提案する。
提案手法は, 制約を満たすことなく, 部分的に観測可能な線形力学系の閉ループ安定性を保証する。
論文 参考訳（メタデータ） (2021-12-08T10:43:47Z) - Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。
本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
論文 参考訳（メタデータ） (2021-05-17T08:36:18Z) - 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) - Continuous Lyapunov Controller and Chaotic Non-linear System
Optimization using Deep Machine Learning [0.0]
非線形高度カオス系の早期故障指標を検出するための新しい手法を提案する。
提案手法はシステムとコントローラの信号を継続的に監視する。
ディープニューラルモデルは、期待されるシステムの不安定性に最も対抗できるパラメータ値を予測します。
論文 参考訳（メタデータ） (2020-10-28T04:45:12Z) - 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。