論文の概要: Learning Stabilizable Deep Dynamics Models
- arxiv url: http://arxiv.org/abs/2203.09710v1
- Date: Fri, 18 Mar 2022 03:09:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-21 16:12:14.193491
- Title: Learning Stabilizable Deep Dynamics Models
- Title(参考訳): 学習安定化型ディープダイナミクスモデル
- Authors: Kenji Kashima, Ryota Yoshiuchi, Yu Kawano
- Abstract要約: 本稿では,入力-アフィン制御系のダイナミクスを学習するための新しい手法を提案する。
重要な特徴は、学習モデルの安定化コントローラと制御リャプノフ関数も得られることである。
提案手法はハミルトン-ヤコビ不等式の解法にも適用可能である。
- 参考スコア(独自算出の注目度): 1.75320459412718
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: When neural networks are used to model dynamics, properties such as stability
of the dynamics are generally not guaranteed. In contrast, there is a recent
method for learning the dynamics of autonomous systems that guarantees global
exponential stability using neural networks. In this paper, we propose a new
method for learning the dynamics of input-affine control systems. An important
feature is that a stabilizing controller and control Lyapunov function of the
learned model are obtained as well. Moreover, the proposed method can also be
applied to solving Hamilton-Jacobi inequalities. The usefulness of the proposed
method is examined through numerical examples.
- Abstract(参考訳): ニューラルネットワークがダイナミクスのモデル化に使用される場合、ダイナミクスの安定性などの特性は一般的に保証されない。
対照的に、ニューラルネットワークを用いてグローバル指数安定性を保証する自律システムのダイナミクスを学ぶための最近の方法がある。
本稿では,入力-アフィン制御系のダイナミクスを学習する新しい手法を提案する。
重要な特徴は、安定化制御器と学習モデルの制御リアプノフ関数も得られることである。
さらに,ハミルトン-ヤコビ不等式の解法にも適用可能である。
提案手法の有用性を数値実験により検証した。
関連論文リスト
- Learning Deep Dissipative Dynamics [5.862431328401459]
分散性は、安定性と入出力安定性を一般化する力学系にとって重要な指標である。
本稿では,ニューラルネットワークで表現される任意のダイナミクスを散逸型プロジェクションに変換する微分可能プロジェクションを提案する。
本手法は, 訓練された力学系の安定性, 入力出力安定性, エネルギー保存を厳密に保証する。
論文 参考訳(メタデータ) (2024-08-21T09:44:43Z) - Data-Driven Control with Inherent Lyapunov Stability [3.695480271934742]
本研究では,非線形力学モデルと安定化制御器のパラメトリック表現をデータから共同学習する手法として,インヒーレント・リャプノフ安定度制御(CoILS)を提案する。
新たな構成によって保証される学習力学の安定化性に加えて、学習した制御器は学習力学の忠実性に関する特定の仮定の下で真の力学を安定化することを示す。
論文 参考訳(メタデータ) (2023-03-06T14:21:42Z) - ConCerNet: A Contrastive Learning Based Framework for Automated
Conservation Law Discovery and Trustworthy Dynamical System Prediction [82.81767856234956]
本稿では,DNNに基づく動的モデリングの信頼性を向上させるために,ConCerNetという新しい学習フレームワークを提案する。
本手法は, 座標誤差と保存量の両方において, ベースラインニューラルネットワークよりも一貫して優れていることを示す。
論文 参考訳(メタデータ) (2023-02-11T21:07:30Z) - On Robust Numerical Solver for ODE via Self-Attention Mechanism [82.95493796476767]
我々は,内在性雑音障害を緩和し,AIによって強化された数値解法を,データサイズを小さくする訓練について検討する。
まず,教師付き学習における雑音を制御するための自己認識機構の能力を解析し,さらに微分方程式の数値解に付加的な自己認識機構を導入し,簡便かつ有効な数値解法であるAttrを提案する。
論文 参考訳(メタデータ) (2023-02-05T01:39:21Z) - The least-control principle for learning at equilibrium [65.2998274413952]
我々は、平衡反復ニューラルネットワーク、深層平衡モデル、メタラーニングを学ぶための新しい原理を提案する。
私たちの結果は、脳がどのように学習するかを明らかにし、幅広い機械学習問題にアプローチする新しい方法を提供します。
論文 参考訳(メタデータ) (2022-07-04T11:27:08Z) - Constructing Neural Network-Based Models for Simulating Dynamical
Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。
本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。
基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文 参考訳(メタデータ) (2021-11-02T10:51:42Z) - 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) - Almost Surely Stable Deep Dynamics [4.199844472131922]
本稿では,観測データから安定なディープニューラルネットワークに基づく動的モデルを学ぶ手法を提案する。
本手法は,lyapunovニューラルネットワークを動的モデルに組み込むことにより,本質的に安定性基準を満たす。
論文 参考訳(メタデータ) (2021-03-26T20:37:08Z) - DyNODE: Neural Ordinary Differential Equations for Dynamics Modeling in
Continuous Control [0.0]
本稿では,ニューラル常微分方程式の枠組みに制御を組み込むことにより,システムの基盤となる力学を捉える新しい手法を提案する。
以上の結果から,アクター批判強化学習アルゴリズムと組み合わせた単純なDyNODEアーキテクチャが,標準ニューラルネットワークより優れていることが示唆された。
論文 参考訳(メタデータ) (2020-09-09T12:56:58Z) - Learning Stable Deep Dynamics Models [91.90131512825504]
状態空間全体にわたって安定することが保証される力学系を学習するためのアプローチを提案する。
このような学習システムは、単純な力学系をモデル化することができ、複雑な力学を学習するために追加の深層生成モデルと組み合わせることができることを示す。
論文 参考訳(メタデータ) (2020-01-17T00:04:45Z)
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。