Fugu-MT 論文翻訳(概要): Receding Hamiltonian-Informed Optimal Neural Control and State Estimation for Closed-Loop Dynamical Systems

論文の概要: Receding Hamiltonian-Informed Optimal Neural Control and State Estimation for Closed-Loop Dynamical Systems

arxiv url: http://arxiv.org/abs/2411.01297v1
Date: Sat, 02 Nov 2024 16:06:29 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-05 14:46:06.335672
Title: Receding Hamiltonian-Informed Optimal Neural Control and State Estimation for Closed-Loop Dynamical Systems
Title（参考訳）: Receding Hamiltonian-Informed Optimal Neural Control and State Estimation for Closed-Loop Dynamical Systems
Authors: Josue N. Rivera, Dengfeng Sun,
Abstract要約: Hamiltonian-Informed Optimal Neural (Hion) コントローラは、動的システムのためのニューラルネットワークベースの新しいクラスである。ヒオンコントローラは将来の状態を推定し、ポントリャーギンの原理を用いて最適制御入力を計算する。
参考スコア（独自算出の注目度）: 4.05766189327054
License:
Abstract: This paper formalizes Hamiltonian-Informed Optimal Neural (Hion) controllers, a novel class of neural network-based controllers for dynamical systems and explicit non-linear model predictive control. Hion controllers estimate future states and compute optimal control inputs using Pontryagin's Maximum Principle. The proposed framework allows for customization of transient behavior, addressing limitations of existing methods. The Taylored Multi-Faceted Approach for Neural ODE and Optimal Control (T-mano) architecture facilitates training and ensures accurate state estimation. Optimal control strategies are demonstrated for both linear and non-linear dynamical systems.
Abstract（参考訳）: 本稿では、動的システムのためのニューラルネットワークベースの新しいクラスであるハミルトンインフォームド・オプティマル・ニューラル(Hion)コントローラと、明示的な非線形モデル予測制御を定式化する。ヒオンコントローラは将来の状態を推定し、ポントリャーギンの最大原理を用いて最適制御入力を計算する。提案したフレームワークは、既存のメソッドの制限に対処して、過渡的な振る舞いのカスタマイズを可能にする。 Taylored Multi-Faceted Approach for Neural ODE and Optimal Control (T-mano) アーキテクチャは、トレーニングを容易にし、正確な状態推定を保証する。線形力学系と非線形力学系の両方に対して最適制御戦略が示される。

関連論文リスト

Reinforced Model Predictive Control via Trust-Region Quasi-Newton Policy Optimization [0.0]
超線形収束率を用いた政策最適化のための準ニュートン学習アルゴリズムを提案する。シミュレーション研究は、提案したトレーニングアルゴリズムがデータ効率と精度で他のアルゴリズムより優れていることを示している。
論文参考訳（メタデータ） (2024-05-28T09:16:08Z)
Parameter-Adaptive Approximate MPC: Tuning Neural-Network Controllers without Retraining [50.00291020618743]
この研究は、大規模なデータセットを再計算し、再トレーニングすることなくオンラインチューニングが可能な、新しいパラメータ適応型AMPCアーキテクチャを導入している。資源制約の厳しいマイクロコントローラ(MCU)を用いた2種類の実カートポールシステムの揺らぎを制御し,パラメータ適応型AMPCの有効性を示す。これらの貢献は、現実世界のシステムにおけるAMPCの実践的応用に向けた重要な一歩である。
論文参考訳（メタデータ） (2024-04-08T20:02:19Z)
Data-driven Nonlinear Model Reduction using Koopman Theory: Integrated Control Form and NMPC Case Study [56.283944756315066]
そこで本研究では,遅延座標符号化と全状態復号化を組み合わせた汎用モデル構造を提案し,Koopmanモデリングと状態推定を統合した。ケーススタディでは,本手法が正確な制御モデルを提供し,高純度極低温蒸留塔のリアルタイム非線形予測制御を可能にすることを実証している。
論文参考訳（メタデータ） (2024-01-09T11:54:54Z)
Neural Control: Concurrent System Identification and Control Learning with Neural ODE [13.727727205587804]
ニューラル・コントロール(NC)と呼ばれる未知の力学系を制御するニューラル・ODEに基づく手法を提案する。本モデルは,対象状態へ誘導する最適制御と同様に,システムダイナミクスを同時に学習する。実験では,未知の力学系の最適制御を学習するためのモデルの有効性を実証した。
論文参考訳（メタデータ） (2024-01-03T17:05:17Z)
Pontryagin Optimal Control via Neural Networks [19.546571122359534]
我々は,ニューラルネットワークをポントリャーギンの最大原理(PMP)と統合し,NN-PMP-Gradient の効率的なフレームワークを提案する。結果として生じるコントローラは、未知の複雑な力学を持つシステムに実装することができる。モデルフリーおよびモデルベース強化学習(RL)アルゴリズムと比較して, NN-PMP-Gradientは, 制御目的の観点から高いサンプル効率と性能を実現する。
論文参考訳（メタデータ） (2022-12-30T06:47:03Z)
Learning-enhanced Nonlinear Model Predictive Control using Knowledge-based Neural Ordinary Differential Equations and Deep Ensembles [5.650647159993238]
本研究では,知識に基づくニューラル常微分方程式(KNODE)とディープアンサンブルというディープラーニングツールを活用し,モデル予測制御(MPC)の予測精度を向上させる。特に、KNODEモデルのアンサンブル(KNODEアンサンブル)を学習し、真のシステム力学の正確な予測を得る。 KNODEアンサンブルはより正確な予測を提供し、提案した非線形MPCフレームワークの有効性と閉ループ性能を示す。
論文参考訳（メタデータ） (2022-11-24T23:51:18Z)
Neural ODEs as Feedback Policies for Nonlinear Optimal Control [1.8514606155611764]
ニューラルネットワークをパラメータ化した微分方程式として連続時間力学をモデル化するために、ニューラル常微分方程式(ニューラルODE)を用いる。本稿では,一般非線形最適制御問題の解法としてニューラル・オードとして提案するニューラル・コントロール・ポリシーを提案する。
論文参考訳（メタデータ） (2022-10-20T13:19:26Z)
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)
Deformable Linear Object Prediction Using Locally Linear Latent Dynamics [51.740998379872195]
変形可能な物体(例えばロープ)の予測は、その非線形ダイナミクスと無限次元の構成空間のために困難である。我々は、将来の潜在状態を予測するのに使用できる局所線形なアクション条件付きダイナミクスモデルを学ぶ。我々は,本手法が将来10段階まで正確にロープ状態を予測できることを実証的に実証した。
論文参考訳（メタデータ） (2021-03-26T00:29:31Z)
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)

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。