論文の概要: Runtime-Assured, Real-Time Neural Control of Microgrids
- arxiv url: http://arxiv.org/abs/2202.09710v1
- Date: Sun, 20 Feb 2022 02:08:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-25 14:18:17.012808
- Title: Runtime-Assured, Real-Time Neural Control of Microgrids
- Title(参考訳): マイクログリッドのリアルタイムニューラル制御
- Authors: Amol Damare, Shouvik Roy, Scott A. Smolka, Scott D. Stoller
- Abstract要約: 我々は,ニューラルコントローラを用いたマイクログリッドのランタイム保証のための新しい,確実に正しい設計手法であるSimpleMGを提案する。
実験の結果,SimpleMGは複雑なマイクログリッドのための高性能ニューラルコントローラの開発に有効であることが確認された。
- 参考スコア(独自算出の注目度): 1.3620709226508394
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present SimpleMG, a new, provably correct design methodology for runtime
assurance of microgrids (MGs) with neural controllers. Our approach is centered
around the Neural Simplex Architecture, which in turn is based on Sha et al.'s
Simplex Control Architecture. Reinforcement Learning is used to synthesize
high-performance neural controllers for MGs. Barrier Certificates are used to
establish SimpleMG's runtime-assurance guarantees. We present a novel method to
derive the condition for switching from the unverified neural controller to the
verified-safe baseline controller, and we prove that the method is correct. We
conduct an extensive experimental evaluation of SimpleMG using RTDS, a
high-fidelity, real-time simulation environment for power systems, on a
realistic model of a microgrid comprising three distributed energy resources
(battery, photovoltaic, and diesel generator). Our experiments confirm that
SimpleMG can be used to develop high-performance neural controllers for complex
microgrids while assuring runtime safety, even in the presence of adversarial
input attacks on the neural controller. Our experiments also demonstrate the
benefits of online retraining of the neural controller while the baseline
controller is in control
- Abstract(参考訳): 本稿では,ニューラルコントローラを用いたマイクログリッド(mgs)の実行時保証のための新しい,確実に正しい設計手法であるsimplemgを提案する。
われわれのアプローチはNeural Simplex Architectureを中心にしており、ShaらのSimplex Control Architectureをベースとしている。
強化学習はMGのための高性能ニューラルネットワークの合成に用いられる。
バリア証明書はSimpleMGのランタイム保証を確立するために使われる。
本稿では,未検証のニューラルコントローラから検証済みの安全なベースラインコントローラに切り替える条件を導出する新しい手法を提案し,その方法が正しいことを証明した。
3つの分散型エネルギー資源(バッテリ、太陽光発電、ディーゼル発電機)からなるマイクログリッドの現実的なモデルに基づいて、電力系統用高忠実度リアルタイムシミュレーション環境であるrtdsを用いたsimplemgの広範な実験評価を行った。
実験の結果,SimpleMGは,ニューラルネットワークに対する逆入力攻撃があっても,実行時の安全性を確保しつつ,複雑なマイクログリッドのための高性能なニューラルコントローラの開発に有効であることが確認された。
我々の実験は、ベースラインコントローラが制御されている間、ニューラルコントローラのオンラインリトレーニングの利点も示している。
関連論文リスト
- A minimax optimal control approach for robust neural ODEs [49.1574468325115]
我々は、頑健な制御の観点から、ニューラルなODEの敵対的訓練に対処する。
我々はポントリャーギンの最大原理の形で一階最適条件を導出する。
論文 参考訳(メタデータ) (2023-10-26T17:07:43Z) - A Neurosymbolic Approach to the Verification of Temporal Logic
Properties of Learning enabled Control Systems [0.0]
本稿では,一般的なSTL仕様に対するニューラルネットワーク(NN)コントローラの検証モデルを提案する。
また、一般的なアクティベーション機能を持つニューラルネットワークコントローラに対する新しいアプローチを提案する。
論文 参考訳(メタデータ) (2023-03-07T04:08:33Z) - Active Predicting Coding: Brain-Inspired Reinforcement Learning for
Sparse Reward Robotic Control Problems [79.07468367923619]
ニューラルジェネレーティブ・コーディング(NGC)の神経認知計算フレームワークによるロボット制御へのバックプロパゲーションフリーアプローチを提案する。
我々は、スパース報酬から動的オンライン学習を容易にする強力な予測符号化/処理回路から完全に構築されたエージェントを設計する。
提案するActPCエージェントは,スパース(外部)報酬信号に対して良好に動作し,複数の強力なバックプロップベースのRLアプローチと競合し,性能が優れていることを示す。
論文 参考訳(メタデータ) (2022-09-19T16:49:32Z) - Real-time Neural-MPC: Deep Learning Model Predictive Control for
Quadrotors and Agile Robotic Platforms [59.03426963238452]
モデル予測制御パイプライン内の動的モデルとして,大規模で複雑なニューラルネットワークアーキテクチャを効率的に統合するフレームワークであるReal-time Neural MPCを提案する。
ニューラルネットワークを使わずに、最先端のMPCアプローチと比較して、位置追跡誤差を最大82%削減することで、実世界の問題に対する我々のフレームワークの実現可能性を示す。
論文 参考訳(メタデータ) (2022-03-15T09:38:15Z) - Using Simulation Optimization to Improve Zero-shot Policy Transfer of
Quadrotors [0.14999444543328289]
実世界データを用いて微調整を行うことなく,シミュレーションで完全に強化学習を施した低レベルの制御ポリシを訓練し,四足歩行ロボットに展開することが可能であることを示す。
私たちのニューラルネットワークベースのポリシーは、オンボードセンサーデータのみを使用し、組み込みドローンハードウェアで完全に動作します。
論文 参考訳(メタデータ) (2022-01-04T22:32:05Z) - Evolved neuromorphic radar-based altitude controller for an autonomous
open-source blimp [4.350434044677268]
本稿では,ロボット飛行船のためのSNNに基づく高度制御器を提案する。
また、SNNベースのコントローラアーキテクチャ、シミュレーション環境でネットワークをトレーニングするための進化的フレームワーク、現実とのギャップを改善するための制御戦略も提示する。
論文 参考訳(メタデータ) (2021-10-01T20:48:43Z) - Neural Network Based Model Predictive Control for an Autonomous Vehicle [3.222802562733787]
本研究では,自律走行車制御のためのモデル予測コントローラ(MPC)の代替として,学習ベースコントローラについて検討する。
教師あり学習と強化学習による学習を比較した。
本研究の目的は,リアルタイムプラットフォームに組み込み,形式的手法による検証が可能なコントローラの開発である。
論文 参考訳(メタデータ) (2021-07-30T12:11:31Z) - Online-Learning Deep Neuro-Adaptive Dynamic Inversion Controller for
Model Free Control [1.3764085113103217]
ニュートラル適応コントローラは、新しい重み更新法則に基づいて訓練されたディープニューラルネットワークを特徴とする実装である。
制御器は、非線形プラントを迅速に学習することができ、追従制御問題において優れた性能を示す。
論文 参考訳(メタデータ) (2021-07-21T22:46:03Z) - DriveGAN: Towards a Controllable High-Quality Neural Simulation [147.6822288981004]
DriveGANと呼ばれる新しい高品質のニューラルシミュレータを紹介します。
DriveGANは、異なるコンポーネントを監督なしで切り離すことによって制御性を達成する。
実世界の運転データ160時間を含む複数のデータセットでdriveganをトレーニングします。
論文 参考訳(メタデータ) (2021-04-30T15:30:05Z) - Deluca -- A Differentiable Control Library: Environments, Methods, and
Benchmarking [52.44199258132215]
我々は、微分可能な物理学とロボティクス環境のオープンソースライブラリを提示する。
ライブラリには,OpenAI Gymの古典的なコントロール設定など,いくつかのポピュラーな環境がある。
ライブラリを使用して得られた新しい科学的結果のいくつかのユースケースを提供します。
論文 参考訳(メタデータ) (2021-02-19T15:06:47Z) - Learning a Contact-Adaptive Controller for Robust, Efficient Legged
Locomotion [95.1825179206694]
四足歩行ロボットのためのロバストコントローラを合成するフレームワークを提案する。
高レベルコントローラは、環境の変化に応じてプリミティブのセットを選択することを学習する。
確立された制御方法を使用してプリミティブを堅牢に実行する低レベルコントローラ。
論文 参考訳(メタデータ) (2020-09-21T16:49:26Z)
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。