論文の概要: Resource Optimization for Tail-Based Control in Wireless Networked Control Systems

• arxiv url: http://arxiv.org/abs/2406.14301v1
• Date: Thu, 20 Jun 2024 13:27:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-21 13:32:31.236875
• Title: Resource Optimization for Tail-Based Control in Wireless Networked Control Systems
• Title（参考訳）: 無線ネットワーク制御システムにおけるテール制御の資源最適化
• Authors: Rasika Vijithasena, Rafaela Scaciota, Mehdi Bennis, Sumudu Samarakoon,
• Abstract要約: 制御安定性の達成は、スケーラブルな無線ネットワーク制御システムにおける重要な設計課題の1つである。 本稿では,従来のLQR(Linear Quadratic Regulator)のコスト関数を拡張し,共有無線ネットワーク上で複数の動的制御システムに拡張する,テールベース制御として定義された代替制御の概念の利用について検討する。
• 参考スコア（独自算出の注目度）: 31.144888314890597
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Achieving control stability is one of the key design challenges of scalable Wireless Networked Control Systems (WNCS) under limited communication and computing resources. This paper explores the use of an alternative control concept defined as tail-based control, which extends the classical Linear Quadratic Regulator (LQR) cost function for multiple dynamic control systems over a shared wireless network. We cast the control of multiple control systems as a network-wide optimization problem and decouple it in terms of sensor scheduling, plant state prediction, and control policies. Toward this, we propose a solution consisting of a scheduling algorithm based on Lyapunov optimization for sensing, a mechanism based on Gaussian Process Regression (GPR) for state prediction and uncertainty estimation, and a control policy based on Reinforcement Learning (RL) to ensure tail-based control stability. A set of discrete time-invariant mountain car control systems is used to evaluate the proposed solution and is compared against four variants that use state-of-the-art scheduling, prediction, and control methods. The experimental results indicate that the proposed method yields 22% reduction in overall cost in terms of communication and control resource utilization compared to state-of-the-art methods.
• Abstract（参考訳）: 制御安定性の達成は、無線ネットワーク制御システム(WNCS)において、限られた通信と計算資源の下で重要な設計課題の1つである。 本稿では,従来のLQR(Linear Quadratic Regulator)のコスト関数を拡張し,共有無線ネットワーク上で複数の動的制御システムに拡張する,テールベース制御として定義された代替制御の概念の利用について検討する。 我々は,複数の制御システムの制御をネットワーク全体の最適化問題とし,センサスケジューリング,プラント状態予測,制御ポリシの観点から分離した。 そこで本研究では,Lyapunovによるセンシングの最適化に基づくスケジューリングアルゴリズムと,状態予測と不確実性推定のためのガウス過程回帰(GPR)に基づくメカニズムと,強化学習(Reinforcement Learning, RL)に基づく制御ポリシを併用して,テールベース制御の安定性を確保する手法を提案する。 個別の時間不変マウンテンカー制御系を用いて提案手法の評価を行い, 最先端のスケジューリング, 予測, 制御手法を用いた4つの変種と比較した。 実験結果から,提案手法は通信・制御資源利用のコストを22%削減できることがわかった。

関連論文リスト

• Deep Learning for Wireless Networked Systems: a joint Estimation-Control-Scheduling Approach [47.29474858956844]
  ワイヤレスネットワーク制御システム(Wireless Networked Control System, WNCS)は、無線通信を介してセンサ、コントローラ、アクチュエータを接続する技術であり、産業用 4.0 時代において、高度にスケーラブルで低コストな制御システムの展開を可能にする技術である。 WNCSにおける制御と通信の密接な相互作用にもかかわらず、既存のほとんどの研究は分離設計アプローチを採用している。 モデルフリーデータとモデルベースデータの両方を利用する制御と最適化のための,DRLに基づく新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-10-03T01:29:40Z)
• Thompson Sampling Achieves $\tilde O(\sqrt{T})$ Regret in Linear Quadratic Control [85.22735611954694]
  我々はトンプソンサンプリング(TS)を用いた安定化可能な線形四元系レギュレータ(LQR)の適応制御問題について検討する。 我々は,LQRの適応制御のための効率的なTSアルゴリズムTSACを提案し,多次元システムであっても,$tilde O(sqrtT)$ regretを実現する。
  論文  参考訳（メタデータ） (2022-06-17T02:47:53Z)
• Steady-State Error Compensation in Reference Tracking and Disturbance Rejection Problems for Reinforcement Learning-Based Control [0.9023847175654602]
  強化学習(Reinforcement Learning, RL)は、自動制御アプリケーションにおける将来的なトピックである。 アクター批判に基づくRLコントローラのためのイニシアティブアクション状態拡張(IASA)が導入される。 この拡張は専門家の知識を必要とせず、アプローチモデルを無償にしておく。
  論文  参考訳（メタデータ） (2022-01-31T16:29:19Z)
• Nonlinear Control Allocation: A Learning Based Approach [0.0]
  現代の航空機は、耐故障性と操縦性要件を満たすために冗長な制御エフェクターで設計されている。 これにより航空機は過度に作動し、制御エフェクタ間で制御コマンドを分配するために制御割り当てスキームが必要となる。 伝統的に最適化に基づく制御割当スキームが用いられるが、非線型割当問題では、これらの手法は大きな計算資源を必要とする。 本研究では,ニューラルネットワーク(ANN)に基づく非線形制御割り当て方式を提案する。
  論文  参考訳（メタデータ） (2022-01-17T02:30:25Z)
• 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)
• Deep Reinforcement Learning for Wireless Scheduling in Distributed Networked Control [37.10638636086814]
  完全分散無線制御システム(WNCS)の周波数チャネル数に制限のある結合アップリンクとダウンリンクのスケジューリング問題を考える。 深層強化学習(DRL)に基づくフレームワークを開発した。 DRLにおける大きなアクション空間の課題に対処するために,新しいアクション空間削減法とアクション埋め込み法を提案する。
  論文  参考訳（メタデータ） (2021-09-26T11:27:12Z)
• Regret-optimal Estimation and Control [52.28457815067461]
  後悔最適推定器と後悔最適制御器は状態空間形式で導出可能であることを示す。 非線形力学系に対するモデル予測制御(MPC)と拡張KalmanFilter(EKF)の残差最適類似性を提案する。
  論文  参考訳（メタデータ） (2021-06-22T23:14:21Z)
• Stable Online Control of Linear Time-Varying Systems [49.41696101740271]
  COCO-LQは、大規模なLTVシステムの入出力安定性を保証する効率的なオンライン制御アルゴリズムである。 COCO-LQの性能を実証実験とパワーシステム周波数制御の両例で実証した。
  論文  参考訳（メタデータ） (2021-04-29T06:18:49Z)
• Learning Event-triggered Control from Data through Joint Optimization [7.391641422048646]
  イベントトリガー制御戦略のモデルフリー学習のためのフレームワークを提案する。 階層的強化学習に基づく新しいアルゴリズムを提案する。 得られたアルゴリズムは, 資源の節約や非線形・高次元システムへのシームレスなスケールで, 高性能な制御を実現する。
  論文  参考訳（メタデータ） (2020-08-11T14:15:38Z)
• 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)

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。