論文の概要: Distributed neural network control with dependability guarantees: a
compositional port-Hamiltonian approach
- arxiv url: http://arxiv.org/abs/2112.09046v1
- Date: Thu, 16 Dec 2021 17:37:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-17 16:54:26.666164
- Title: Distributed neural network control with dependability guarantees: a
compositional port-Hamiltonian approach
- Title(参考訳): 信頼度保証による分散ニューラルネットワーク制御:合成ポートハミルトニアンアプローチ
- Authors: Luca Furieri, Clara Luc\'ia Galimberti, Muhammad Zakwan, Giancarlo
Ferrari-Trecate
- Abstract要約: 大規模なサイバー物理システムは、制御ポリシーが分散されていること、すなわち、ローカルなリアルタイム測定と近隣エージェントとの通信にのみ依存することを要求する。
最近の研究でニューラルネットワーク(NN)分散コントローラのトレーニングが提案されている。
NNコントローラの主な課題は、トレーニング中と後、すなわちクローズドループシステムは不安定であり、勾配の消失と爆発によってトレーニングが失敗する可能性があることである。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large-scale cyber-physical systems require that control policies are
distributed, that is, that they only rely on local real-time measurements and
communication with neighboring agents. Optimal Distributed Control (ODC)
problems are, however, highly intractable even in seemingly simple cases.
Recent work has thus proposed training Neural Network (NN) distributed
controllers. A main challenge of NN controllers is that they are not dependable
during and after training, that is, the closed-loop system may be unstable, and
the training may fail due to vanishing and exploding gradients. In this paper,
we address these issues for networks of nonlinear port-Hamiltonian (pH)
systems, whose modeling power ranges from energy systems to non-holonomic
vehicles and chemical reactions. Specifically, we embrace the compositional
properties of pH systems to characterize deep Hamiltonian control policies with
built-in closed-loop stability guarantees, irrespective of the interconnection
topology and the chosen NN parameters. Furthermore, our setup enables
leveraging recent results on well-behaved neural ODEs to prevent the phenomenon
of vanishing gradients by design. Numerical experiments corroborate the
dependability of the proposed architecture, while matching the performance of
general neural network policies.
- Abstract(参考訳): 大規模なサイバー物理システムは、制御ポリシーが分散されていること、すなわち、ローカルなリアルタイム測定と近隣エージェントとの通信にのみ依存することを要求する。
しかし、最適分散制御(ODC)問題は、一見単純な場合であっても非常に難解である。
これにより、ニューラルネットワーク(NN)分散コントローラのトレーニングが提案されている。
NNコントローラの主な課題は、トレーニング中と後、すなわちクローズドループシステムは不安定であり、勾配の消失と爆発によってトレーニングが失敗する可能性があることである。
本稿では, エネルギーシステムから非ホロノミック車両, 化学反応まで, モデル化能力を持つ非線形ポート・ハミルトン系(pH)のネットワークについて論じる。
具体的には、相互接続トポロジーと選択したnnパラメータに関係なく、深いハミルトニアン制御ポリシを内蔵した閉ループ安定性保証で特徴付けるため、phシステムの構成特性を取り入れた。
さらに、我々は、ニューラルネットワークの最近の結果を活用して、設計による勾配の消失現象を防止する。
数値実験は、一般的なニューラルネットワークポリシーのパフォーマンスにマッチしながら、提案されたアーキテクチャの依存性を補う。
関連論文リスト
- Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust
Closed-Loop Control [63.310780486820796]
繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。
パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
論文 参考訳(メタデータ) (2023-10-05T21:44:18Z) - Safety Filter Design for Neural Network Systems via Convex Optimization [35.87465363928146]
ニューラルネットワーク(NN)システムの安全性を確保するために,凸最適化に依存する新しい安全フィルタを提案する。
非線形振り子システムにおいて,提案手法の有効性を数値的に示す。
論文 参考訳(メタデータ) (2023-08-16T01:30:13Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳(メタデータ) (2023-06-04T08:53:27Z) - Closed-form control with spike coding networks [1.1470070927586016]
スパイキングニューラルネットワーク(SNN)を用いた効率的かつ堅牢な制御は、依然として未解決の問題である。
スパイク符号化ネットワーク(SCN)の神経科学理論を,クローズドフォームの最適推定と制御を取り入れて拡張する。
模擬スプリング・マス・ダンパーおよびカート・ポールシステムのロバストなスパイク制御を実証した。
論文 参考訳(メタデータ) (2022-12-25T10:32:20Z) - 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) - Neural Network Optimal Feedback Control with Guaranteed Local Stability [2.8725913509167156]
テスト精度の高いニューラルネットワーク(NN)コントローラでは,動的システムを局所的に安定化させることができないことを示す。
提案するNNアーキテクチャは,最適化されたフィードバックポリシを学習するための半言語近似能力を維持しながら,局所的な安定性を保証する。
論文 参考訳(メタデータ) (2022-05-01T04:23:24Z) - Reliably-stabilizing piecewise-affine neural network controllers [5.203329540700177]
モデル予測制御(MPC)ポリシーのニューラルネットワーク(NN)近似に影響を与える一般的な問題は、NNベースのコントローラの動作の下でクローズドループシステムの安定性を評価するための分析ツールがないことである。
本稿では、そのような制御器の性能を定量化したり、与えられたMPCスキームの望ましい特性を保持する最小の複雑性NNを設計するための一般的な手順を提案する。
論文 参考訳(メタデータ) (2021-11-13T20:01:43Z) - 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) - Neural network optimal feedback control with enhanced closed loop
stability [3.0981875303080795]
近年の研究では、教師あり学習は高次元非線形力学系のための最適フィードバックコントローラを設計するための有効なツールであることが示されている。
しかし、これらのニューラルネットワーク(NN)コントローラの挙動はまだよく理解されていない。
本稿では,NNコントローラがシステムの安定化に有効であることを示すために,数値シミュレーションを用いた。
論文 参考訳(メタデータ) (2021-09-15T17:59:20Z) - Decentralized Control with Graph Neural Networks [147.84766857793247]
分散コントローラを学習するグラフニューラルネットワーク(GNN)を用いた新しいフレームワークを提案する。
GNNは、自然分散アーキテクチャであり、優れたスケーラビリティと転送性を示すため、タスクに適している。
分散コントローラの学習におけるGNNの可能性を説明するために、群れとマルチエージェントパス計画の問題を検討する。
論文 参考訳(メタデータ) (2020-12-29T18:59:14Z) - Enforcing robust control guarantees within neural network policies [76.00287474159973]
本稿では、ニューラルネットワークによってパラメータ化され、ロバスト制御と同じ証明可能なロバスト性基準を適用した、一般的な非線形制御ポリシークラスを提案する。
提案手法は,複数の領域において有効であり,既存のロバスト制御法よりも平均ケース性能が向上し,(非ロバスト)深部RL法よりも最悪のケース安定性が向上した。
論文 参考訳(メタデータ) (2020-11-16T17:14:59Z)
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。