論文の概要: Nonlinear Control Allocation: A Learning Based Approach
- arxiv url: http://arxiv.org/abs/2201.06180v1
- Date: Mon, 17 Jan 2022 02:30:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-19 18:43:31.357854
- Title: Nonlinear Control Allocation: A Learning Based Approach
- Title(参考訳): 非線形制御割当:学習に基づくアプローチ
- Authors: Hafiz Zeeshan Iqbal Khan, Surrayya Mobeen, Jahanzeb Rajput, Jamshed
Riaz
- Abstract要約: 現代の航空機は、耐故障性と操縦性要件を満たすために冗長な制御エフェクターで設計されている。
これは、エフェクター間で制御コマンドを分配するために制御割り当てスキームを必要とする過度に作動した航空機につながります。
従来、最適化に基づく制御割当方式が用いられてきたが、非線型割当問題では大きな計算資源を必要とする。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Modern aircraft are designed with redundant control effectors to cater for
fault tolerance and maneuverability requirements. This leads to an
over-actuated aircraft which requires a control allocation scheme to distribute
the control commands among effectors. Traditionally, optimization based control
allocation schemes are used; however, for nonlinear allocation problems these
methods require large computational resources. In this work, a novel ANN based
nonlinear control allocation scheme is proposed. To start, a general nonlinear
control allocation problem is posed in a different perspective to seek a
function which maps desired moments to control effectors. Few important results
on stability and performance of nonlinear allocation schemes in general and
this ANN based allocation scheme, in particular, are presented. To demonstrate
the efficacy of the proposed scheme, it is compared with standard quadratic
programming based method for control allocation.
- Abstract(参考訳): 現代の航空機は耐障害性と操縦性要件を満たすために冗長な制御エフェクターで設計されている。
これは、エフェクター間で制御コマンドを分配するために制御割り当てスキームを必要とする過度に作動する航空機に繋がる。
従来、最適化に基づく制御割当方式が用いられてきたが、非線型割当問題では大きな計算資源を必要とする。
本研究では,ANNに基づく非線形制御割当方式を提案する。
まず、所望のモーメントを制御エフェクタにマップする関数を求めるため、異なる視点で一般的な非線形制御割り当て問題が発生する。
一般に非線形アロケーションスキームの安定性と性能に関する重要な結果はほとんどなく、特にこのANNベースのアロケーションスキームについて述べる。
提案手法の有効性を示すために, 標準二次プログラミングに基づく制御割当法と比較した。
関連論文リスト
- Model-Free Load Frequency Control of Nonlinear Power Systems Based on
Deep Reinforcement Learning [29.643278858113266]
本稿では,Deep Deterministic Policy gradient (DDPG) に基づく非線形電力系統のモデルフリーLFC法を提案する。
制御器は適切な制御動作を生成でき、非線形電力系に対して強い適応性を有する。
論文 参考訳(メタデータ) (2024-03-07T10:06:46Z) - DATT: Deep Adaptive Trajectory Tracking for Quadrotor Control [62.24301794794304]
Deep Adaptive Trajectory Tracking (DATT)は、学習に基づくアプローチであり、現実世界の大きな乱れの存在下で、任意の、潜在的に実現不可能な軌跡を正確に追跡することができる。
DATTは、非定常風場における可溶性および非実用性の両方の軌道に対して、競争適応性非線形およびモデル予測コントローラを著しく上回っている。
適応非線形モデル予測制御ベースラインの1/4未満である3.2ms未満の推論時間で、効率的にオンラインで実行することができる。
論文 参考訳(メタデータ) (2023-10-13T12:22:31Z) - Safe Neural Control for Non-Affine Control Systems with Differentiable
Control Barrier Functions [58.19198103790931]
本稿では,非アフィン制御系における安全クリティカル制御の問題に対処する。
制御バリア関数(CBF)を用いて,状態制約と制御制約の2次コストの最適化を2次プログラムのシーケンス(QP)にサブ最適化できることが示されている。
我々は,高次CBFをニューラル常微分方程式に基づく学習モデルに差分CBFとして組み込んで,非アフィン制御系の安全性を保証する。
論文 参考訳(メタデータ) (2023-09-06T05:35:48Z) - Deep Koopman Operator with Control for Nonlinear Systems [44.472875714432504]
そこで我々は,Koopman組込み関数とKoopman Operatorを学習するためのエンドツーエンドのディープラーニングフレームワークを提案する。
まず、ニューラルネットワークを用いて埋め込み関数とクープマン演算子をパラメータ化し、Kステップ損失関数でエンドツーエンドに学習する。
次に,制御入力の非線形性をモデル化するために,非線形状態依存制御項を符号化する補助制御ネットワークを設計する。
論文 参考訳(メタデータ) (2022-02-16T11:40:36Z) - 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) - Deep Reinforcement Learning for Wireless Scheduling in Distributed
Networked Control [56.77877237894372]
この研究は、分散植物、センサー、アクチュエータ、コントローラを備えた完全な分散WNCSを考慮し、限られた数の周波数チャネルを共有する。
最適な送信スケジューリング問題を決定プロセス問題に定式化し、それを解くための深層強化学習アルゴリズムを開発する。
論文 参考訳(メタデータ) (2021-09-26T11:27:12Z) - Stable Online Control of Linear Time-Varying Systems [49.41696101740271]
COCO-LQは、大規模なLTVシステムの入出力安定性を保証する効率的なオンライン制御アルゴリズムである。
COCO-LQの性能を実証実験とパワーシステム周波数制御の両例で実証した。
論文 参考訳(メタデータ) (2021-04-29T06:18:49Z) - Advancing Trajectory Optimization with Approximate Inference:
Exploration, Covariance Control and Adaptive Risk [29.811633555275666]
制御(i2c)アルゴリズムの入力推論を検討し、高度な軌道最適化を可能にする3つの重要な特性を導出する。
非線形システムを最適化する際に、オープンループオプティマとクローズドループ分散低減の利点を組み合わせた専門家の線形ガウスコントローラ。
論文 参考訳(メタデータ) (2021-03-10T19:52:31Z) - Two-step reinforcement learning for model-free redesign of nonlinear
optimal regulator [1.5624421399300306]
強化学習(Reinforcement Learning, RL)は、非線形力学系のための最適制御系をモデル無しで再設計できる、有望なアプローチの1つである。
未知の非線形システムに対する最適レギュレーション再設計問題において,RLの過渡学習性能を向上させるモデルフリー2段階設計手法を提案する。
論文 参考訳(メタデータ) (2021-03-05T17:12:33Z) - Technical Report: Adaptive Control for Linearizable Systems Using
On-Policy Reinforcement Learning [41.24484153212002]
本稿では,未知システムに対するフィードバック線形化に基づくトラッキング制御系を適応的に学習するフレームワークを提案する。
学習した逆モデルがすべての時点において可逆である必要はない。
二重振り子の模擬例は、提案された理論の有用性を示している。
論文 参考訳(メタデータ) (2020-04-06T15:50:31Z) - 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。