論文の概要: Robust Data-Driven Output Feedback Control via Bootstrapped Multiplicative Noise

• arxiv url: http://arxiv.org/abs/2205.05119v1
• Date: Tue, 10 May 2022 18:47:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-12 22:01:56.229136
• Title: Robust Data-Driven Output Feedback Control via Bootstrapped Multiplicative Noise
• Title（参考訳）: ブートストラップ型乗算雑音によるロバストデータ駆動出力フィードバック制御
• Authors: Benjamin Gravell, Iman Shames, Tyler Summers
• Abstract要約: 本稿では,データ駆動型出力フィードバック制御アルゴリズムを提案する。 提案手法の主な利点は、システム識別とロバストな制御設計手順の両方が不確実性表現を使用することである。 提案したロバストなデータ駆動型出力フィードバック制御器は,数値実験により,一定の等価な制御器を大幅に上回ることを示す。
• 参考スコア（独自算出の注目度）: 1.0312968200748118
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a robust data-driven output feedback control algorithm that explicitly incorporates inherent finite-sample model estimate uncertainties into the control design. The algorithm has three components: (1) a subspace identification nominal model estimator; (2) a bootstrap resampling method that quantifies non-asymptotic variance of the nominal model estimate; and (3) a non-conventional robust control design method comprising a coupled optimal dynamic output feedback filter and controller with multiplicative noise. A key advantage of the proposed approach is that the system identification and robust control design procedures both use stochastic uncertainty representations, so that the actual inherent statistical estimation uncertainty directly aligns with the uncertainty the robust controller is being designed against. Moreover, the control design method accommodates a highly structured uncertainty representation that can capture uncertainty shape more effectively than existing approaches. We show through numerical experiments that the proposed robust data-driven output feedback controller can significantly outperform a certainty equivalent controller on various measures of sample complexity and stability robustness.
• Abstract（参考訳）: 本研究では,制御設計に固有有限サンプルモデル推定の不確かさを明示的に組み込むロバストなデータ駆動型出力フィードバック制御アルゴリズムを提案する。 本アルゴリズムは,(1)部分空間識別名義モデル推定器,(2)名義モデル推定の非漸近的分散を定量化するブートストラップ再サンプリング法,(3)結合された最適動的出力フィードバックフィルタと乗法雑音の制御器からなる非従来型ロバストな制御設計法,の3成分を有する。 提案手法の重要な利点は、システム同定とロバスト制御設計手順の両方が確率的不確かさ表現を用いており、実際の固有統計推定の不確実性はロバストコントローラが設計している不確実性と直接一致することである。 さらに、制御設計方法は、既存のアプローチよりも効果的に不確かさ形状を捉えることができる高度に構造化された不確実性表現を収容する。 提案したロバストなデータ駆動型出力フィードバック制御器は,サンプルの複雑さと安定性の様々な尺度において,一定の等価な制御器を著しく上回り得ることを示す。

関連論文リスト

• Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [74.8441634948334]
  不確実性推定は統計的に正確な予測を提供する効果的なツールである。 本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
  論文  参考訳（メタデータ） (2023-02-12T14:30:03Z)
• Robust Control for Dynamical Systems With Non-Gaussian Noise via Formal Abstractions [59.605246463200736]
  雑音分布の明示的な表現に依存しない新しい制御器合成法を提案する。 まず、連続制御系を有限状態モデルに抽象化し、離散状態間の確率的遷移によってノイズを捕捉する。 我々は最先端の検証技術を用いてマルコフ決定プロセスの間隔を保証し、これらの保証が元の制御システムに受け継がれるコントローラを演算する。
  論文  参考訳（メタデータ） (2023-01-04T10:40:30Z)
• Probabilities Are Not Enough: Formal Controller Synthesis for Stochastic Dynamical Models with Epistemic Uncertainty [68.00748155945047]
  複雑な力学系のモデルにおける不確実性を捉えることは、安全なコントローラの設計に不可欠である。 いくつかのアプローチでは、安全と到達可能性に関する時間的仕様を満たすポリシーを形式的な抽象化を用いて合成する。 我々の貢献は、ノイズ、不確実なパラメータ、外乱を含む連続状態モデルに対する新しい抽象的制御法である。
  論文  参考訳（メタデータ） (2022-10-12T07:57:03Z)
• Error-based Knockoffs Inference for Controlled Feature Selection [49.99321384855201]
  本手法では, ノックオフ特徴量, エラーベース特徴重要度統計量, ステップダウン手順を一体化して, エラーベースのノックオフ推定手法を提案する。 提案手法では回帰モデルを指定する必要はなく,理論的保証で特徴選択を処理できる。
  論文  参考訳（メタデータ） (2022-03-09T01:55:59Z)
• Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
  ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。 本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
  論文  参考訳（メタデータ） (2021-05-17T08:36:18Z)
• Robust Data-Driven Predictive Control using Reachability Analysis [6.686241050151697]
  境界プロセスおよび測定ノイズを有する未知の線形システムの堅牢なデータ駆動制御方式を提案する。 データ駆動到達可能領域は、システムの軌道のノイズの多い入出力データのみに基づいて算出される。 ノイズフリーの場合、提示された純粋にデータ駆動制御スキームが、名目モデル予測制御スキームに等価な閉ループ挙動をもたらすことを示す。
  論文  参考訳（メタデータ） (2021-03-25T19:55:15Z)
• The Impact of Data on the Stability of Learning-Based Control- Extended Version [63.97366815968177]
  本稿では,Lyapunovをベースとした,認証制御性能に対するデータの影響の定量化手法を提案する。 ガウス過程を通じて未知系の力学をモデル化することにより、モデルの不確実性と安定性条件の満足度の間の相互関係を決定できる。
  論文  参考訳（メタデータ） (2020-11-20T19:10:01Z)
• Robust Learning-Based Control via Bootstrapped Multiplicative Noise [0.0]
  本稿では,このような非漸近的不確かさを制御設計に明示的に組み込む頑健な適応制御アルゴリズムを提案する。 提案手法の主な利点は、システム識別とロバストな制御設計手順の両方が不確実性表現を使用することである。
  論文  参考訳（メタデータ） (2020-02-24T04:12:52Z)
• Optimistic robust linear quadratic dual control [4.94950858749529]
  本稿では, 一定の等価性の性能とロバスト性の実用性を両立させようとする二重制御戦略を提案する。 この定式化は、パラメトリック不確実性の表現における構造を保ち、制御タスクにおいて最も重要となるパラメータにおける不確実性の減少をコントローラが目標とすることを可能にする。
  論文  参考訳（メタデータ） (2019-12-31T02:02:11Z)

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。