論文の概要: Synthesizing Neural Network Controllers with Closed-Loop Dissipativity Guarantees
- arxiv url: http://arxiv.org/abs/2404.07373v1
- Date: Wed, 10 Apr 2024 22:15:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-12 15:28:21.725624
- Title: Synthesizing Neural Network Controllers with Closed-Loop Dissipativity Guarantees
- Title(参考訳): 閉ループ分散保証を用いたニューラルネットワーク制御器の合成
- Authors: Neelay Junnarkar, Murat Arcak, Peter Seiler,
- Abstract要約: 植物のクラスは、不確実性と相互接続された線形時間不変系(LTI)と見なされる。
プラントの不確かさとニューラルネットワークの非線形性は、どちらも積分二次的制約を用いて記述される。
凸条件はプロジェクションベースのトレーニング手法で、解離性を保証するニューラルネットワークコントローラを合成するために用いられる。
- 参考スコア(独自算出の注目度): 0.6612847014373572
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, a method is presented to synthesize neural network controllers such that the feedback system of plant and controller is dissipative, certifying performance requirements such as L2 gain bounds. The class of plants considered is that of linear time-invariant (LTI) systems interconnected with an uncertainty, including nonlinearities treated as an uncertainty for convenience of analysis. The uncertainty of the plant and the nonlinearities of the neural network are both described using integral quadratic constraints (IQCs). First, a dissipativity condition is derived for uncertain LTI systems. Second, this condition is used to construct a linear matrix inequality (LMI) which can be used to synthesize neural network controllers. Finally, this convex condition is used in a projection-based training method to synthesize neural network controllers with dissipativity guarantees. Numerical examples on an inverted pendulum and a flexible rod on a cart are provided to demonstrate the effectiveness of this approach.
- Abstract(参考訳): 本稿では,L2ゲインバウンドなどの性能要件を証明し,プラントとコントローラのフィードバックシステムが消散可能であるようにニューラルネットワークコントローラを合成する手法を提案する。
考慮された植物の分類は、解析の利便性の不確実性として扱われる非線形性を含む不確実性と相互接続された線形時間不変系(LTI)である。
植物の不確かさとニューラルネットワークの非線形性は、どちらも積分二次制約(IQCs)を用いて記述される。
まず、不確実なLTI系に対して、解離条件を導出する。
第二に、この条件はニューラルネットワークコントローラの合成に使用できる線形行列不等式(LMI)を構築するために用いられる。
最後に、この凸条件をプロジェクションベースのトレーニング手法で、解離性保証付きニューラルネットワークコントローラを合成する。
本手法の有効性を実証するために, 逆振り子と荷車上のフレキシブルロッドの数値例を示した。
関連論文リスト
- Identification For Control Based on Neural Networks: Approximately Linearizable Models [42.15267357325546]
本研究では,非線形システムの効率的な制御設計と安定性解析のための制御指向同定手法を提案する。
ニューラルネットワークは離散時間非線形状態空間モデルを特定し、時間領域の入力出力挙動を近似する。
ネットワークは、同定されたモデルがフィードバックによってほぼ線形化可能であるように構成され、制御則が学習段階から自明に従うことを保証する。
論文 参考訳(メタデータ) (2024-09-24T08:31:22Z) - Sub-linear Regret in Adaptive Model Predictive Control [56.705978425244496]
本稿では,STT-MPC (Self-Tuning tube-based Model Predictive Control) について述べる。
システム力学を最初に認識したアルゴリズムと比較して,アルゴリズムの後悔を解析する。
論文 参考訳(メタデータ) (2023-10-07T15:07:10Z) - Robust Recurrent Neural Network to Identify Ship Motion in Open Water
with Performance Guarantees -- Technical Report [8.441687388985162]
リカレントニューラルネットワークは、入力出力測定から未知の非線形システムの力学を純粋に学習することができる。
本研究では,非線形乱れを伴う線形時間不変系として,リカレントニューラルネットワークを表現する。
論文 参考訳(メタデータ) (2022-12-12T09:07:37Z) - Synthesis of Stabilizing Recurrent Equilibrium Network Controllers [1.3799488979862031]
本稿では、リカレントニューラルネットワークの一般化であるリカレント平衡ネットワークに基づく非線形動的コントローラのパラメータ化を提案する。
制御器がセクター有界非線形性を持つ部分観察された力学系の指数的安定性を保証するパラメータ化に関する制約を導出する。
本稿では,任意の構造を持つ報酬関数を最大化するために,予測ポリシ勾配法を用いてこの制御器を合成する手法を提案する。
論文 参考訳(メタデータ) (2022-03-31T22:27:51Z) - A Theoretical Overview of Neural Contraction Metrics for Learning-based
Control with Guaranteed Stability [7.963506386866862]
本稿では,最適縮尺と対応する微分リャプノフ関数のニューラルネットワークモデルを提案する。
そのイノベーションは、学習ベースの制御フレームワークに対して、正式な堅牢性を保証することである。
論文 参考訳(メタデータ) (2021-10-02T00:28:49Z) - Sampling asymmetric open quantum systems for artificial neural networks [77.34726150561087]
非対称な開系に対する高速収束時間と高いスケーラビリティを実現し,非対称性を考慮したハイブリッドサンプリング戦略を提案する。
我々は、ニューラルネットワークの普遍的適用性を強調し、ニューラルネットワークの普遍的適用性を概説する。
論文 参考訳(メタデータ) (2020-12-20T18:25:29Z) - Certifying Incremental Quadratic Constraints for Neural Networks via
Convex Optimization [2.388501293246858]
我々は,関心領域上のニューラルネットワークのマップ上で漸進的二次的制約を証明するための凸プログラムを提案する。
証明書は、(ローカル)Lipschitz連続性、片側Lipschitz連続性、反転性、および収縮などのいくつかの有用な特性をキャプチャできます。
論文 参考訳(メタデータ) (2020-12-10T21:15:00Z) - Robustness Analysis of Neural Networks via Efficient Partitioning with
Applications in Control Systems [45.35808135708894]
ニューラルネットワーク(NN)は現在、不確実な環境で動作しなければならないシステムに定期的に実装されている。
本稿では、ロバストネス解析アルゴリズムのファミリを提供するために、伝播と分割のアプローチを統合する。
新しいパーティショニング技術は、現在の境界推定値と望ましい境界形状を認識している。
論文 参考訳(メタデータ) (2020-10-01T16:51:36Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳(メタデータ) (2020-07-02T17:55:47Z) - Lipschitz Recurrent Neural Networks [100.72827570987992]
我々のリプシッツ再帰ユニットは、他の連続時間RNNと比較して、入力やパラメータの摂動に対してより堅牢であることを示す。
実験により,Lipschitz RNNは,ベンチマークタスクにおいて,既存のリカレントユニットよりも優れた性能を発揮することが示された。
論文 参考訳(メタデータ) (2020-06-22T08:44:52Z) - Reach-SDP: Reachability Analysis of Closed-Loop Systems with Neural
Network Controllers via Semidefinite Programming [19.51345816555571]
本稿では,ニューラルネットワークを用いた線形時間変化システムの安全性検証のための新しいフォワードリーチビリティ解析手法を提案する。
半有限計画法を用いて、これらの近似到達可能な集合を計算できることが示される。
提案手法は,まずディープニューラルネットワークを用いて非線形モデル予測制御器を近似し,その解析ツールを用いて閉ループシステムの有限時間到達性と制約満足度を証明した。
論文 参考訳(メタデータ) (2020-04-16T18:48:25Z)
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。