Fugu-MT 論文翻訳(概要): Learning nonlinear dynamics in synchronization of knowledge-based leader-following networks

論文の概要: Learning nonlinear dynamics in synchronization of knowledge-based leader-following networks

arxiv url: http://arxiv.org/abs/2112.14676v1
Date: Wed, 29 Dec 2021 17:51:48 GMT
ステータス: 処理完了
システム内更新日: 2021-12-30 16:06:35.619633
Title: Learning nonlinear dynamics in synchronization of knowledge-based leader-following networks
Title（参考訳）: 知識ベースリーダー追従ネットワークの同期化における非線形ダイナミクスの学習
Authors: Shimin Wang, Xiangyu Meng, Hongwei Zhang, Frank L. Lewis
Abstract要約: 本稿では,非線形リーダーシステムのクラスを対象とした学習に基づく完全分散オブザーバを提案する。さらに,複数のオイラー・ラグランジュ系のリーダ追従同期問題を解くための適応分散制御法を合成する。
参考スコア（独自算出の注目度）: 16.670246060148617
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Knowledge-based leader-following synchronization problem of heterogeneous nonlinear multi-agent systems is challenging since the leader's dynamic information is unknown to all follower nodes. This paper proposes a learning-based fully distributed observer for a class of nonlinear leader systems, which can simultaneously learn the leader's dynamics and states. The class of leader dynamics considered here does not require a bounded Jacobian matrix. Based on this learning-based distributed observer, we further synthesize an adaptive distributed control law for solving the leader-following synchronization problem of multiple Euler-Lagrange systems subject to an uncertain nonlinear leader system. The results are illustrated by a simulation example.
Abstract（参考訳）: ヘテロジニアス非線形マルチエージェントシステムの知識ベースリーダー追従同期問題は、リーダーの動的情報が全てのフォロワノードで未知であるため、困難である。本稿では,非線形リーダシステムにおいて,リーダのダイナミクスと状態を同時に学習できる学習ベースの完全分散オブザーバを提案する。ここで考えるリーダーダイナミクスのクラスは、有界ヤコビ行列を必要としない。この学習に基づく分散オブザーバに基づいて,不確定な非線形リーダシステムに属する複数のオイラーラグランジュシステムのリーダ追従同期問題を解決するための適応分散制御則をさらに合成する。結果はシミュレーションの例で示されます。

関連論文リスト

Learning System Dynamics without Forgetting [60.08612207170659]
未知の力学を持つ系の軌道予測は、物理学や生物学を含む様々な研究分野において重要である。本稿では,モードスイッチンググラフODE (MS-GODE) の新たなフレームワークを提案する。生体力学の異なる多様な系を特徴とする生体力学システムの新しいベンチマークを構築した。
論文参考訳（メタデータ） (2024-06-30T14:55:18Z)
Deep Learning for Structure-Preserving Universal Stable Koopman-Inspired Embeddings for Nonlinear Canonical Hamiltonian Dynamics [9.599029891108229]
シンプレクティック変換による正準非線形ハミルトン系に対する大域的線形化埋め込みの同定に着目する。連続スペクトルを持つ系に対するクープマン作用素の欠点を克服するため、持ち上げ原理を適用し、大域的な立方体埋め込みを学習する。我々は、コンパクトなシンプレクティック座標変換とそれに対応する単純な力学モデルを取得するためのディープラーニングの能力を実証する。
論文参考訳（メタデータ） (2023-08-26T09:58:09Z)
Nonlinear Bipartite Output Regulation with Application to Turing Pattern [5.22349049062643]
非線形分散オブザーバを協調競合相互作用を持つ非線形エクソシステムに対して提案し,この問題に対処する。実践的な応用として、オブザーバに基づく非線形マルチエージェントシステムのクラスに対して、リーダー追従二部構成のコンセンサス問題を解く。
論文参考訳（メタデータ） (2023-05-25T03:03:21Z)
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)
Neural Koopman Lyapunov Control [0.0]
データから安定化可能な双線形制御系とその関連する可観測物を特定し,構築するためのフレームワークを提案する。提案手法は、未知のダイナミクスを持つ非線形制御系に対して、大域的安定性の証明可能な保証を提供する。
論文参考訳（メタデータ） (2022-01-13T17:38:09Z)
Supervised DKRC with Images for Offline System Identification [77.34726150561087]
現代の力学系はますます非線形で複雑なものになりつつある。予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
論文参考訳（メタデータ） (2021-09-06T04:39:06Z)
Meta-Adaptive Nonlinear Control: Theory and Algorithms [47.122874727499216]
オンラインメタ環境制御(OMAC)と呼ばれる適応非線形制御のためのオンラインマルチタスク学習手法を提案する。我々は、様々な条件下でアプローチのインスタンス化を提供し、マルチタスク適応非線形制御のための最初の非漸近的なエンドツーエンド収束を保証する。
論文参考訳（メタデータ） (2021-06-11T00:39:07Z)
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)
Learning the Linear Quadratic Regulator from Nonlinear Observations [135.66883119468707]
我々は、LQR with Rich Observations(RichLQR)と呼ばれる連続制御のための新しい問題設定を導入する。本設定では, 線形力学と二次的コストを有する低次元連続潜伏状態によって環境を要約する。本結果は,システムモデルと一般関数近似における未知の非線形性を持つ連続制御のための,最初の証明可能なサンプル複雑性保証である。
論文参考訳（メタデータ） (2020-10-08T07:02:47Z)
Active Learning for Nonlinear System Identification with Guarantees [102.43355665393067]
状態遷移が既知の状態-作用対の特徴埋め込みに線形に依存する非線形力学系のクラスについて検討する。そこで本稿では, トラジェクティブ・プランニング, トラジェクティブ・トラッキング, システムの再推定という3つのステップを繰り返すことで, この問題を解決するためのアクティブ・ラーニング・アプローチを提案する。本手法は, 非線形力学系を標準線形回帰の統計速度と同様, パラメトリック速度で推定する。
論文参考訳（メタデータ） (2020-06-18T04:54:11Z)
Hierarchical Decomposition of Nonlinear Dynamics and Control for System Identification and Policy Distillation [39.83837705993256]
強化学習(RL)の最近のトレンドは、力学と政策の複雑な表現に焦点を当てている。制御コミュニティからインスピレーションを得て、複雑なダイナミクスをより単純なコンポーネントに分解するために、ハイブリッドスイッチングシステムの原則を適用します。
論文参考訳（メタデータ） (2020-05-04T12:40:59Z)

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。