論文の概要: Learning-based Design of Luenberger Observers for Autonomous Nonlinear Systems

• arxiv url: http://arxiv.org/abs/2210.01476v1
• Date: Tue, 4 Oct 2022 09:03:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 15:51:33.431739
• Title: Learning-based Design of Luenberger Observers for Autonomous Nonlinear Systems
• Title（参考訳）: 自律非線形システムのためのLuenbergerオブザーバの学習ベース設計
• Authors: Muhammad Umar B. Niazi, John Cao, Xudong Sun, Amritam Das, Karl Henrik Johansson
• Abstract要約: 非線形系に対するルエンベルガー観測者は変換写像を反転させて推定を与える。 一般的な非線形系にとって、主な課題はそのような変換を見つけ、それが射影的であることを保証することである。 本稿では,教師付き物理インフォームドニューラルネットワークを用いて,変換と逆変換の両方を近似する学習手法を提案する。
• 参考スコア（独自算出の注目度）: 5.953597709282766
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The design of Luenberger observers for nonlinear systems involves state transformation to another coordinate system where the dynamics are asymptotically stable and linear up to output injection. The observer then provides a state estimate in the original coordinates by inverting the transformation map. For general nonlinear systems, however, the main challenge is to find such a transformation and to ensure that it is injective. This paper addresses this challenge by proposing a learning method that employs supervised physics-informed neural networks to approximate both the transformation and its inverse. It is shown that the proposed method exhibits better generalization capabilities than other contemporary methods. Moreover, the observer is shown to be robust under the neural network's approximation error and the system uncertainties.
• Abstract（参考訳）: 非線形系に対するルエンベルガーオブザーバーの設計は、動力学が漸近安定で出力注入まで線形な別の座標系への状態変換を含む。 観測者は変換写像を反転させて元の座標に状態推定を与える。 しかし、一般的な非線形システムの場合、主な課題はそのような変換を見つけ、それが注入的であることを保証することである。 本稿では,教師付き物理学インフォームドニューラルネットワークを用いて,その変換と逆解析の両方を近似する学習手法を提案する。 提案手法は他の現代手法よりも優れた一般化能力を示した。 さらに、観測者は、ニューラルネットワークの近似誤差とシステムの不確実性の下でロバストであることが示されている。

関連論文リスト

• Koopman-based Deep Learning for Nonlinear System Estimation [1.3791394805787949]
  複素非線形系の有意な有限次元表現を抽出するために、クープマン作用素理論に基づく新しいデータ駆動線形推定器を提案する。 我々の推定器は推定された非線形系の微分同相変換にも適応しており、再学習せずに最適な状態推定を計算できる。
  論文  参考訳（メタデータ） (2024-05-01T16:49:54Z)
• Nonlinear Discrete-Time Observers with Physics-Informed Neural Networks [0.0]
  我々は、離散時間非線形オブザーバ状態推定問題を解くために物理インフォームドニューラルネットワーク(PINN)を用いる。 提案手法は不均一関数方程式の解法により非線形状態変換写像を学習することを目的としている。
  論文  参考訳（メタデータ） (2024-02-19T18:47:56Z)
• Adaptive Meta-Learning-Based KKL Observer Design for Nonlinear Dynamical Systems [0.0]
  本稿では,メタラーニングによる非線形力学系のオブザーバ設計に対する新しいアプローチを提案する。 システム出力の測定から情報を活用するフレームワークを導入し、さまざまなシステム条件や属性にオンライン適応可能な学習ベースのKKLオブザーバを設計する。
  論文  参考訳（メタデータ） (2023-10-30T12:25:14Z)
• Model Reduction for Nonlinear Systems by Balanced Truncation of State and Gradient Covariance [0.0]
  モデル還元のための低次元座標系は、系の感度と軌道に沿った状態の分散に関する随伴情報とをバランスさせる。 これらの手法を, 単純かつ困難な3次元システムと, 状態変数105ドルの非線形軸対称噴流シミュレーションで実証した。
  論文  参考訳（メタデータ） (2022-07-28T21:45:08Z)
• Structure-Preserving Learning Using Gaussian Processes and Variational Integrators [62.31425348954686]
  本稿では,機械系の古典力学に対する変分積分器と,ガウス過程の回帰による残留力学の学習の組み合わせを提案する。 我々は、既知のキネマティック制約を持つシステムへのアプローチを拡張し、予測の不確実性に関する公式な境界を提供する。
  論文  参考訳（メタデータ） (2021-12-10T11:09:29Z)
• A Latent Restoring Force Approach to Nonlinear System Identification [0.0]
  この研究は、システムの未知の非線形項の寄与を抽出し同定するためのベイズフィルタに基づくアプローチを提案する。 この手法は、シミュレートされたケーススタディと実験的なベンチマークデータセットの両方で有効であることが示されている。
  論文  参考訳（メタデータ） (2021-09-22T12:21:16Z)
• 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)
• Pushing the Envelope of Rotation Averaging for Visual SLAM [69.7375052440794]
  視覚SLAMシステムのための新しい最適化バックボーンを提案する。 従来の単分子SLAMシステムの精度, 効率, 堅牢性を向上させるために, 平均化を活用している。 我々のアプローチは、公開ベンチマークの最先端技術に対して、同等の精度で最大10倍高速に表示することができる。
  論文  参考訳（メタデータ） (2020-11-02T18:02:26Z)
• Learning the Linear Quadratic Regulator from Nonlinear Observations [135.66883119468707]
  我々は、LQR with Rich Observations(RichLQR)と呼ばれる連続制御のための新しい問題設定を導入する。 本設定では, 線形力学と二次的コストを有する低次元連続潜伏状態によって環境を要約する。 本結果は,システムモデルと一般関数近似における未知の非線形性を持つ連続制御のための,最初の証明可能なサンプル複雑性保証である。
  論文  参考訳（メタデータ） (2020-10-08T07:02:47Z)
• Attention that does not Explain Away [54.42960937271612]
  Transformerアーキテクチャに基づくモデルは、大規模なタスクに対して競合するアーキテクチャに基づくモデルよりも精度が高い。 Transformerのユニークな特徴は、任意の距離で自由な情報の流れを可能にする自己認識機構の普遍的な応用である。 本稿では,実装が簡単で,"説明的回避"効果を避けるための理論的保証を提供する,二重正規化アテンション方式を提案する。
  論文  参考訳（メタデータ） (2020-09-29T21:05:39Z)
• Active Learning for Nonlinear System Identification with Guarantees [102.43355665393067]
  状態遷移が既知の状態-作用対の特徴埋め込みに線形に依存する非線形力学系のクラスについて検討する。 そこで本稿では, トラジェクティブ・プランニング, トラジェクティブ・トラッキング, システムの再推定という3つのステップを繰り返すことで, この問題を解決するためのアクティブ・ラーニング・アプローチを提案する。 本手法は, 非線形力学系を標準線形回帰の統計速度と同様, パラメトリック速度で推定する。
  論文  参考訳（メタデータ） (2020-06-18T04:54:11Z)

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。