論文の概要: Non-Gaussian Uncertainty Minimization Based Control of Stochastic
Nonlinear Robotic Systems
- arxiv url: http://arxiv.org/abs/2303.01628v1
- Date: Thu, 2 Mar 2023 23:31:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-06 16:38:03.834993
- Title: Non-Gaussian Uncertainty Minimization Based Control of Stochastic
Nonlinear Robotic Systems
- Title（参考訳）: 確率非線形ロボットシステムの非ガウス的不確かさ最小化に基づく制御
- Authors: Weiqiao Han, Ashkan Jasour, Brian Williams
- Abstract要約: 我々は、不確実性や乱れによる名目状態軌跡からのシステムの状態のずれを最小限に抑える状態フィードバックコントローラを設計する。
我々はモーメントと特徴関数を用いて、ロボットシステムの非線形運動モデル全体にわたって不確実性を伝播する。
- 参考スコア（独自算出の注目度）: 8.849815837266979
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we consider the closed-loop control problem of nonlinear
robotic systems in the presence of probabilistic uncertainties and
disturbances. More precisely, we design a state feedback controller that
minimizes deviations of the states of the system from the nominal state
trajectories due to uncertainties and disturbances. Existing approaches to
address the control problem of probabilistic systems are limited to particular
classes of uncertainties and systems such as Gaussian uncertainties and
processes and linearized systems. We present an approach that deals with
nonlinear dynamics models and arbitrary known probabilistic uncertainties. We
formulate the controller design problem as an optimization problem in terms of
statistics of the probability distributions including moments and
characteristic functions. In particular, in the provided optimization problem,
we use moments and characteristic functions to propagate uncertainties
throughout the nonlinear motion model of robotic systems. In order to reduce
the tracking deviations, we minimize the uncertainty of the probabilistic
states around the nominal trajectory by minimizing the trace and the
determinant of the covariance matrix of the probabilistic states. To obtain the
state feedback gains, we solve deterministic optimization problems in terms of
moments, characteristic functions, and state feedback gains using off-the-shelf
interior-point optimization solvers. To illustrate the performance of the
proposed method, we compare our method with existing probabilistic control
methods.
- Abstract（参考訳）: 本稿では,確率的不確実性と外乱の存在下での非線形ロボットシステムの閉ループ制御問題を考える。
より正確には、不確実性と外乱による名目状態軌跡からシステムの状態の逸脱を最小限に抑える状態フィードバックコントローラを設計する。
確率システムの制御問題に対処するための既存のアプローチは、ガウスの不確実性やプロセス、線形化システムなどの不確実性の特定のクラスに限られる。
本稿では非線形力学モデルと任意の確率的不確実性を扱うアプローチを提案する。
制御器設計問題をモーメントや特性関数を含む確率分布の統計量の観点から最適化問題として定式化する。
特に、与えられた最適化問題において、ロボットシステムの非線形運動モデル全体を通して不確かさを伝播するためにモーメントと特性関数を用いる。
追従偏差を低減するために, 確率的状態の共分散行列のトレースと行列式を最小化することにより, 公称軌道周りの確率的状態の不確かさを最小限に抑える。
状態フィードバックゲインを得るために,既設の内点最適化器を用いてモーメント,特徴関数,状態フィードバックゲインの観点から決定論的最適化問題を解く。
提案手法の性能を示すために,本手法を既存の確率的制御手法と比較する。
関連論文リスト
- Online Constraint Tightening in Stochastic Model Predictive Control: A
Regression Approach [49.056933332667114]
確率制約付き最適制御問題に対する解析解は存在しない。
制御中の制約強調パラメータをオンラインで学習するためのデータ駆動型アプローチを提案する。
提案手法は, 確率制約を厳密に満たす制約強調パラメータを導出する。
論文 参考訳（メタデータ） (2023-10-04T16:22:02Z) - 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) - Learning Stochastic Parametric Differentiable Predictive Control
Policies [2.042924346801313]
本稿では、ニューラルネットワークポリシーの教師なし学習のための、パラメトリック微分可能予測制御(SP-DPC)と呼ばれるスケーラブルな代替手法を提案する。
SP-DPCはパラメトリック制約最適制御問題に対する決定論的近似として定式化される。
閉ループ制約と確率満足度に関するSP-DPC法を用いて学習したポリシーに関する理論的確率的保証を提供する。
論文 参考訳（メタデータ） (2022-03-02T22:46:32Z) - A Priori Denoising Strategies for Sparse Identification of Nonlinear
Dynamical Systems: A Comparative Study [68.8204255655161]
本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。
一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-01-29T23:31:25Z) - Concurrent Learning Based Tracking Control of Nonlinear Systems using
Gaussian Process [2.7930955543692817]
本稿では,パラメータ推定ツールとしての並列学習と,オンライン外乱学習における非パラメトリックガウス過程の適用性を示す。
制御法則は、フィードバック線形化の文脈において、両方の手法を逐次的に用いて開発される。
n階系の閉ループ系安定性はリャプノフ安定性定理を用いて証明される。
論文 参考訳（メタデータ） (2021-06-02T02:59:48Z) - 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) - Online Optimization and Ambiguity-based Learning of Distributionally Uncertain Dynamic Systems [1.6709415233613623]
本稿では,分散的に不確実な力学系のクラスを対象とする最適化問題 (P) に対して,データ駆動型オンラインソリューションを構築するための新しい手法を提案する。
導入されたフレームワークは、パラメータ化された制御依存のあいまいさセットを通じて、分散システムの不確実性の同時学習を可能にする。
また、Nesterovの高速化段階アルゴリズムのオンライン版を導入し、その性能を分析して、分散性理論を用いてこの問題のクラスを解く。
論文 参考訳（メタデータ） (2021-02-18T01:49:06Z) - Gaussian Process-based Min-norm Stabilizing Controller for
Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。
この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
論文 参考訳（メタデータ） (2020-11-14T01:27:32Z) - Adaptive Control and Regret Minimization in Linear Quadratic Gaussian
(LQG) Setting [91.43582419264763]
我々は不確実性に直面した楽観主義の原理に基づく新しい強化学習アルゴリズムLqgOptを提案する。
LqgOptはシステムのダイナミクスを効率的に探索し、モデルのパラメータを信頼区間まで推定し、最も楽観的なモデルのコントローラをデプロイする。
論文 参考訳（メタデータ） (2020-03-12T19:56:38Z) - Gaussian Variational State Estimation for Nonlinear State-Space Models [0.3222802562733786]
非線形状態空間モデルに対するフィルタリングと平滑化の両面から状態推定の問題を考察する。
我々は変分推論に基づく仮定ガウス解を開発し、必要な分布を近似する柔軟なが原則化されたメカニズムの鍵となる利点を提供する。
論文 参考訳（メタデータ） (2020-02-07T04:46:14Z)
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。