論文の概要: Context-aware controller inference for stabilizing dynamical systems
from scarce data
- arxiv url: http://arxiv.org/abs/2207.11049v1
- Date: Fri, 22 Jul 2022 12:41:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-25 13:48:29.005925
- Title: Context-aware controller inference for stabilizing dynamical systems
from scarce data
- Title（参考訳）: 希少データからの動的システムの安定化のためのコンテキストアウェアコントローラ推論
- Authors: Steffen W. R. Werner, Benjamin Peherstorfer
- Abstract要約: 本研究は,データ不足から高次元力学系を安定化するためのデータ駆動制御手法を導入する。
提案手法は, 制御系を安定化させるためには, 制御系が不安定な力学のみにのみ局所的に作用する必要があるという観測に基づいている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work introduces a data-driven control approach for stabilizing
high-dimensional dynamical systems from scarce data. The proposed context-aware
controller inference approach is based on the observation that controllers need
to act locally only on the unstable dynamics to stabilize systems. This means
it is sufficient to learn the unstable dynamics alone, which are typically
confined to much lower dimensional spaces than the high-dimensional state
spaces of all system dynamics and thus few data samples are sufficient to
identify them. Numerical experiments demonstrate that context-aware controller
inference learns stabilizing controllers from orders of magnitude fewer data
samples than traditional data-driven control techniques and variants of
reinforcement learning. The experiments further show that the low data
requirements of context-aware controller inference are especially beneficial in
data-scarce engineering problems with complex physics, for which learning
complete system dynamics is often intractable in terms of data and training
costs.
- Abstract（参考訳）: 本稿では,不足データから高次元力学系を安定化するためのデータ駆動制御手法を提案する。
提案するコンテクストアウェアコントローラ推論手法は,システム安定化のための不安定なダイナミクスに対してのみ,コントローラが局所的に動作する必要があるという観測に基づく。
つまり、不安定なダイナミクスだけを学ぶだけで十分であり、それは通常、全てのシステムダイナミクスの高次元の状態空間よりもずっと低い次元空間に制限されており、そのため、それらを特定するのに十分なデータサンプルは少ない。
数値実験により、文脈対応コントローラ推論は従来のデータ駆動制御技術や強化学習のバリエーションよりも桁違いに少ないデータサンプルから安定化コントローラを学習することを示した。
さらに, コンテクスト・アウェア・コントローラ推論の低データ要件は, 複雑な物理学におけるデータ・スカルス工学問題において特に有益であり, システムダイナミクスの学習は, データとトレーニングコストの面では, しばしば難解であることを示した。
関連論文リスト
- System stabilization with policy optimization on unstable latent manifolds [0.5261718469769449]
提案手法は,データサンプルの少ない複雑な物理システムを安定化する。
実験により、提案手法はデータサンプルの少ない複雑な物理システムを安定化させることを示した。
論文 参考訳（メタデータ） (2024-07-08T21:57:28Z) - Controlling dynamical systems to complex target states using machine
learning: next-generation vs. classical reservoir computing [68.8204255655161]
機械学習を用いた非線形力学系の制御は、システムを周期性のような単純な振る舞いに駆動するだけでなく、より複雑な任意の力学を駆動する。
まず, 従来の貯水池計算が優れていることを示す。
次のステップでは、これらの結果を異なるトレーニングデータに基づいて比較し、代わりに次世代貯水池コンピューティングを使用する別のセットアップと比較する。
その結果、通常のトレーニングデータに対して同等のパフォーマンスを提供する一方で、次世代RCは、非常に限られたデータしか利用できない状況において、著しくパフォーマンスが向上していることがわかった。
論文 参考訳（メタデータ） (2023-07-14T07:05:17Z) - 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) - 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) - Physics-Informed Kernel Embeddings: Integrating Prior System Knowledge
with Data-Driven Control [22.549914935697366]
カーネル埋め込みを用いたデータ駆動制御アルゴリズムに事前知識を組み込む手法を提案する。
提案手法は,カーネル学習問題におけるバイアス項として,システムダイナミクスの事前知識を取り入れたものである。
純粋にデータ駆動ベースライン上でのサンプル効率の向上と,我々のアプローチのアウト・オブ・サンプル一般化を実証する。
論文 参考訳（メタデータ） (2023-01-09T18:35:32Z) - On the sample complexity of stabilizing linear dynamical systems from
data [0.0]
この研究は、線型力学系が次元(McMillan次数)$n$を持つ場合、安定化フィードバックコントローラを構築することができる状態から常に$n$が存在することを示す。
この発見は、任意の線形力学系が、力学のモデルを学ぶのに必要な最小の状態よりも少ない観測状態から安定化できることを示唆している。
論文 参考訳（メタデータ） (2022-02-28T16:25:00Z) - Capturing Actionable Dynamics with Structured Latent Ordinary
Differential Equations [68.62843292346813]
本稿では,その潜在表現内でのシステム入力の変動をキャプチャする構造付き潜在ODEモデルを提案する。
静的変数仕様に基づいて,本モデルではシステムへの入力毎の変動要因を学習し,潜在空間におけるシステム入力の影響を分離する。
論文 参考訳（メタデータ） (2022-02-25T20:00:56Z) - 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) - 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) - Learning Stabilizing Controllers for Unstable Linear Quadratic
Regulators from a Single Trajectory [85.29718245299341]
線形2次制御器(LQR)としても知られる2次コストモデルの下で線形制御器を研究する。
楕円形不確実性集合内の全ての系を安定化させる制御器を構成する2つの異なる半定値プログラム(SDP)を提案する。
高い確率で安定化コントローラを迅速に識別できる効率的なデータ依存アルゴリズムであるtextsceXplorationを提案する。
論文 参考訳（メタデータ） (2020-06-19T08:58:57Z) - How Training Data Impacts Performance in Learning-based Control [67.7875109298865]
本稿では,トレーニングデータの密度と制御性能の関係を考察する。
データセットの品質尺度を定式化し、$rho$-gap と呼ぶ。
フィードバック線形化制御法に$rho$-gapを適用する方法を示す。
論文 参考訳（メタデータ） (2020-05-25T12:13:49Z)
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。