論文の概要: Total Energy Shaping with Neural Interconnection and Damping Assignment -- Passivity Based Control

• arxiv url: http://arxiv.org/abs/2112.12999v1
• Date: Fri, 24 Dec 2021 08:41:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-28 17:50:28.338304
• Title: Total Energy Shaping with Neural Interconnection and Damping Assignment -- Passivity Based Control
• Title（参考訳）: ニューラルインターコネクトとダンピング割り当てを用いた全エネルギーシェーピング --パッシビリティに基づく制御
• Authors: Santiago Sanchez-Escalonilla, Rodolfo Reyes-Baez, Bayu Jayawardhana
• Abstract要約: 我々は、ニューラルネットワーク(NN)の普遍近似特性を利用して、受動性に基づく制御スキームを設計する。 提案した制御設計手法は,自由度1度と2度のメカニカルシステムに対して検証される。
• 参考スコア（独自算出の注目度）: 2.1485350418225244
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work we exploit the universal approximation property of Neural Networks (NNs) to design interconnection and damping assignment (IDA) passivity-based control (PBC) schemes for fully-actuated mechanical systems in the port-Hamiltonian (pH) framework. To that end, we transform the IDA-PBC method into a supervised learning problem that solves the partial differential matching equations, and fulfills equilibrium assignment and Lyapunov stability conditions. A main consequence of this, is that the output of the learning algorithm has a clear control-theoretic interpretation in terms of passivity and Lyapunov stability. The proposed control design methodology is validated for mechanical systems of one and two degrees-of-freedom via numerical simulations.
• Abstract（参考訳）: 本研究では、ニューラルネットワーク(NN)の普遍的近似特性を利用して、ポート-ハミルトン(pH)フレームワークにおける完全作動機械系の相互接続と減衰割り当て(IDA)制御を設計する。 そこで我々は、IDA-PBC法を、偏微分マッチング方程式を解く教師付き学習問題に変換し、平衡割当やリャプノフ安定性条件を満たす。 この結果の主な結果は、学習アルゴリズムの出力が通過率とリャプノフ安定性の観点から明確な制御論的解釈を持つことである。 提案する制御設計手法は, 数値シミュレーションにより自由度1, 2自由度機械システムに対して検証された。

関連論文リスト

• Formally Verified Physics-Informed Neural Control Lyapunov Functions [4.2162963332651575]
  制御リャプノフ関数は非線形系の安定化コントローラの設計と解析において中心的なツールである。 本稿では,ニューラルネットワーク制御Lyapunov関数の物理インフォームド学習と形式検証について検討する。
  論文  参考訳（メタデータ） (2024-09-30T17:27:56Z)
• Generation of C-NOT, SWAP, and C-Z Gates for Two Qubits Using Coherent and Incoherent Controls and Stochastic Optimization [56.47577824219207]
  我々は、Gorini-Kossakowsky-Sudarchhan-Lindblad型マスター方程式によって決定される開量子系の力学の一般的な形式を考える。 我々は,2ビットのC-NOT,SWAP,C-Zゲートを生成する際の制御問題を,一括定数制御と最適化を用いて解析する。
  論文  参考訳（メタデータ） (2023-12-09T17:55:47Z)
• Stable Modular Control via Contraction Theory for Reinforcement Learning [8.742125999252366]
  本稿では,制御技術と強化学習(RL)を融合して,安定性,堅牢性,一般化を実現する新しい手法を提案する。 我々は信号合成と動的分解によりそのようなモジュラリティを実現する。
  論文  参考訳（メタデータ） (2023-11-07T02:41:02Z)
• 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)
• Optimal control for state preparation in two-qubit open quantum systems driven by coherent and incoherent controls via GRAPE approach [77.34726150561087]
  我々は、コヒーレントかつ非コヒーレントな時間依存制御によって駆動される2つの量子ビットのモデルを考える。 系の力学はゴリーニ=コサコフスキー=スダルシャン=リンドブラッドのマスター方程式によって支配される。 最適化制御の下で, フォン・ノイマンエントロピー, 純度, および1ビット還元密度行列の進化について検討した。
  論文  参考訳（メタデータ） (2022-11-04T15:20:18Z)
• Neural Lyapunov Differentiable Predictive Control [2.042924346801313]
  本稿では、確率的リアプノフに基づく安定性保証を備えた微分可能なプログラミングフレームワークを用いた学習に基づく予測制御手法を提案する。 この手法は、安定な力学で状態空間の領域を認証するリアプノフ関数を共同で学習する。
  論文  参考訳（メタデータ） (2022-05-22T03:52:27Z)
• 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)
• Stability Analysis of Unfolded WMMSE for Power Allocation [80.71751088398209]
  電力割り当ては、無線ネットワークにおける基本的な問題の1つである。 これらのアルゴリズムの出力電力配分は入力摂動に関して安定であることが不可欠である。 本稿では,グラフニューラルネットワークを利用した最新のアルゴリズムであるUWMMSEに着目した。
  論文  参考訳（メタデータ） (2021-10-14T15:44:19Z)
• 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)
• 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 Control Variates [71.42768823631918]
  ニューラルネットワークの集合が、積分のよい近似を見つけるという課題に直面していることを示す。 理論的に最適な分散最小化損失関数を導出し、実際に安定したオンライントレーニングを行うための代替の複合損失を提案する。 具体的には、学習した光場近似が高次バウンスに十分な品質であることを示し、誤差補正を省略し、無視可能な可視バイアスのコストでノイズを劇的に低減できることを示した。
  論文  参考訳（メタデータ） (2020-06-02T11:17:55Z)

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。