論文の概要: Koopman Data-Driven Predictive Control with Robust Stability and Recursive Feasibility Guarantees
- arxiv url: http://arxiv.org/abs/2405.01292v1
- Date: Thu, 2 May 2024 13:54:21 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-03 16:24:55.063883
- Title: Koopman Data-Driven Predictive Control with Robust Stability and Recursive Feasibility Guarantees
- Title（参考訳）: ロバスト安定性と再帰可能性保証を備えたクープマンデータ駆動予測制御
- Authors: Thomas de Jong, Valentina Breschi, Maarten Schoukens, Mircea Lazar,
- Abstract要約: 線形制御入力クープマンリフトモデルによる入力出力データから非線形システムのデータ駆動予測制御系の設計を考察する。
将来の出力を予測するためにクープマンモデルを特定しシミュレーションする代わりに、クープマン空間内の部分空間予測コントローラを設計する。
- 参考スコア（独自算出の注目度）: 0.9374652839580183
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we consider the design of data-driven predictive controllers for nonlinear systems from input-output data via linear-in-control input Koopman lifted models. Instead of identifying and simulating a Koopman model to predict future outputs, we design a subspace predictive controller in the Koopman space. This allows us to learn the observables minimizing the multi-step output prediction error of the Koopman subspace predictor, preventing the propagation of prediction errors. To avoid losing feasibility of our predictive control scheme due to prediction errors, we compute a terminal cost and terminal set in the Koopman space and we obtain recursive feasibility guarantees through an interpolated initial state. As a third contribution, we introduce a novel regularization cost yielding input-to-state stability guarantees with respect to the prediction error for the resulting closed-loop system. The performance of the developed Koopman data-driven predictive control methodology is illustrated on a nonlinear benchmark example from the literature.
- Abstract（参考訳）: 本稿では,非線形システム用データ駆動予測制御器の設計について,線形制御入力クープマンリフトモデルによる入力出力データから検討する。
将来の出力を予測するためにクープマンモデルを特定しシミュレーションする代わりに、クープマン空間内の部分空間予測コントローラを設計する。
これにより、クープマン部分空間予測器のマルチステップ出力予測誤差を最小限に抑えることができ、予測誤差の伝搬を防止することができる。
予測誤差による予測制御方式の実現可能性を失うのを避けるため、クープマン空間の端末コストと端末設定を計算し、補間初期状態を通して再帰的実現可能性を保証する。
第3のコントリビューションとして,得られた閉ループシステムの予測誤差に対して,入力から状態への安定性を保証する新たな正規化コストを導入する。
開発したKoopmanデータ駆動予測制御手法の性能を,本論文の非線形ベンチマークの例に示す。
関連論文リスト
- Nonparametric Control-Koopman Operator Learning: Flexible and Scalable Models for Prediction and Control [2.7784144651669704]
非線形制御-アフィン系のクープマン演算子表現を学習するための非パラメトリックフレームワークを提案する。
また、ランダムなプロジェクションを活用することにより、制御クープマン作用素推定器のスケーラビリティも向上する。
予測タスクと制御タスクの両方において,新しいcKORアプローチの有効性を実証した。
論文 参考訳（メタデータ） (2024-05-12T15:46:52Z) - Certified Human Trajectory Prediction [66.1736456453465]
交通予知は自動運転車に不可欠な役割を担っている。
本稿では,軌道予測作業に適した認証手法を提案する。
非有界出力や変異モダリティを含む、軌道予測に関連する固有の課題に対処する。
論文 参考訳（メタデータ） (2024-03-20T17:41:35Z) - Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。
この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
論文 参考訳（メタデータ） (2023-08-03T12:43:21Z) - Toward Reliable Human Pose Forecasting with Uncertainty [51.628234388046195]
我々は、複数のモデルを含む人間のポーズ予測のためのオープンソースのライブラリを開発し、複数のデータセットをサポートする。
我々は、パフォーマンスを高め、より良い信頼をもたらすために、問題の2つの不確実性を考案する。
論文 参考訳（メタデータ） (2023-04-13T17:56:08Z) - LMI-based Data-Driven Robust Model Predictive Control [0.1473281171535445]
入力制約と状態制約を考慮したデータ駆動型ロバストな線形行列不等式モデル予測制御手法を提案する。
コントローラは閉ループシステムを安定化し、制約満足度を保証する。
論文 参考訳（メタデータ） (2023-03-08T18:20:06Z) - Loss-Controlling Calibration for Predictive Models [5.51361762392299]
交換可能なデータに対する損失制御予測を行うための予測モデルの校正のための学習フレームワークを提案する。
対照的に、損失制御手法によって構築された予測器は、設定された予測器に限らない。
提案手法は,選択的回帰および高影響気象予報問題に適用する。
論文 参考訳（メタデータ） (2023-01-11T09:44:55Z) - Conformal Prediction Intervals for Markov Decision Process Trajectories [10.68332392039368]
本稿では、マルコフ決定プロセス(MDP)上で固定制御ポリシーを実行する自律システムの将来の挙動に関する共形予測区間を提供する。
この方法は、侵略的な種管理とStarCraft2の戦いのためのMDPに説明されている。
論文 参考訳（メタデータ） (2022-06-10T03:43:53Z) - CovarianceNet: Conditional Generative Model for Correct Covariance
Prediction in Human Motion Prediction [71.31516599226606]
本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。
我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
論文 参考訳（メタデータ） (2021-09-07T09:38:24Z) - Deep KKL: Data-driven Output Prediction for Non-Linear Systems [7.5456680887905145]
まず、そのような出力予測器の開発に必要なプロパティをまとめる一般的なフレームワークを定義します。
Kazantzis-Kravaris/Luenberger(KKL)オブザーバーに基づく予測器構造を提案し、KKLが一般的なフレームワークによく適合することを示します。
実験の結果,観測空間のサブセット上で効率的な予測器が得られることがわかった。
論文 参考訳（メタデータ） (2021-03-23T10:48:07Z) - Private Prediction Sets [72.75711776601973]
機械学習システムは、個人のプライバシーの確実な定量化と保護を必要とする。
これら2つのデシラタを共同で扱う枠組みを提案する。
本手法を大規模コンピュータビジョンデータセット上で評価する。
論文 参考訳（メタデータ） (2021-02-11T18:59:11Z) - Learning Output Embeddings in Structured Prediction [73.99064151691597]
構造化予測に対する強力で柔軟なアプローチは、予測される構造化対象を潜在的に無限次元の特徴空間に埋め込むことである。
原空間における予測は、前像問題の解法により計算される。
本研究では,新しい特徴空間に出力埋め込みと回帰関数の有限近似を共同で学習することを提案する。
論文 参考訳（メタデータ） (2020-07-29T09:32:53Z)
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。