Fugu-MT 論文翻訳(概要): Safe PDE Boundary Control with Neural Operators

論文の概要: Safe PDE Boundary Control with Neural Operators

arxiv url: http://arxiv.org/abs/2411.15643v2
Date: Thu, 22 May 2025 18:13:48 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-26 15:51:02.685137
Title: Safe PDE Boundary Control with Neural Operators
Title（参考訳）: ニューラル演算子を用いた安全なPDE境界制御
Authors: Hanjiang Hu, Changliu Liu,
Abstract要約: 境界出力の軌道方向の制約満足度を確実にするために、神経境界制御障壁関数(BCBF)を導入する。双曲的, 放物的, ナビエ・ストークスPDE動的環境下での実験は, 提案手法のプラグ・アンド・プレイの有効性を検証した。
参考スコア（独自算出の注目度）: 7.537923263907072
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The physical world dynamics are generally governed by underlying partial differential equations (PDEs) with unknown analytical forms in science and engineering problems. Neural network based data-driven approaches have been heavily studied in simulating and solving PDE problems in recent years, but it is still challenging to move forward from understanding to controlling the unknown PDE dynamics. PDE boundary control instantiates a simplified but important problem by only focusing on PDE boundary conditions as the control input and output. However, current model-free PDE controllers cannot ensure the boundary output satisfies some given user-specified safety constraint. To this end, we propose a safety filtering framework to guarantee the boundary output stays within the safe set for current model-free controllers. Specifically, we first introduce a neural boundary control barrier function (BCBF) to ensure the feasibility of the trajectory-wise constraint satisfaction of boundary output. Based on the neural operator modeling the transfer function from boundary control input to output trajectories, we show that the change in the BCBF depends linearly on the change in input boundary, so quadratic programming-based safety filtering can be done for pre-trained model-free controllers. Extensive experiments under challenging hyperbolic, parabolic and Navier-Stokes PDE dynamics environments validate the plug-and-play effectiveness of the proposed method by achieving better general performance and boundary constraint satisfaction compared to the vanilla and constrained model-free controller baselines. The code is available at https://github.com/intelligent-control-lab/safe-pde-control.
Abstract（参考訳）: 物理世界力学は一般に、科学と工学の問題において未知の分析形式を持つ基礎となる偏微分方程式(PDE)によって支配される。近年、ニューラルネットワークに基づくデータ駆動型アプローチは、PDE問題のシミュレーションと解決に大きく研究されているが、未知のPDEダイナミクスの理解から制御へと進むことは依然として困難である。 PDE境界制御は、制御入力と出力としてPDE境界条件のみに焦点を当てることにより、単純だが重要な問題をインスタンス化する。しかし、現行のモデルフリーPDEコントローラは、ユーザが指定した安全制約を満たす境界出力を保証できない。そこで本研究では,現行のモデルフリーコントローラにおいて,境界出力が安全なセット内に留まることを保証するための安全フィルタリングフレームワークを提案する。具体的には、まず神経境界制御障壁関数(BCBF)を導入し、境界出力の軌道方向の制約満足度の実現性を保証する。境界制御入力から出力軌道への変換関数をモデル化したニューラル演算子を用いて、BCBFの変化は入力境界の変化に線形に依存することを示す。双曲型, 放物型, ナビエ・ストークス型PDE動的環境下での広範囲な実験により, バニラおよびモデル自由制御系と比較して, 一般性能と境界制約満足度を向上し, 提案手法のプラグ・アンド・プレイの有効性を検証した。コードはhttps://github.com/intelligent-control-lab/safe-pde-controlで公開されている。

関連論文リスト

From Uncertain to Safe: Conformal Fine-Tuning of Diffusion Models for Safe PDE Control [16.249515106834355]
我々は,安全制約下での最適制御を実現するために,PDE制御のためのセーフ拡散モデル(SafeDiffCon)を提案する。提案手法は,安全制約を満たす制御シーケンスを生成するために,事前学習した拡散モデルをポストトレーニングする。我々は,1次元バーガー方程式,2次元非圧縮流体,制御核融合問題という3つの制御課題についてSafeDiffConを評価した。
論文参考訳（メタデータ） (2025-02-04T10:42:30Z)
Custom Non-Linear Model Predictive Control for Obstacle Avoidance in Indoor and Outdoor Environments [0.0]
本稿では,DJI行列100のための非線形モデル予測制御(NMPC)フレームワークを提案する。このフレームワークは様々なトラジェクトリタイプをサポートし、厳密な操作の精度を制御するためにペナルティベースのコスト関数を採用している。
論文参考訳（メタデータ） (2024-10-03T17:50:19Z)
Neural Operators for Boundary Stabilization of Stop-and-go Traffic [1.90298817989995]
本稿では,ニューラル演算子を用いたPDE境界制御設計への新しいアプローチを提案する。本稿では,トラフィックPDEシステムの安定化を目的とした2種類のニューラル演算子学習手法を提案する。特定の近似精度条件下では,NOをベースとした閉ループシステムは実用的に安定であることが証明された。
論文参考訳（メタデータ） (2023-12-16T08:18:39Z)
Safe Neural Control for Non-Affine Control Systems with Differentiable Control Barrier Functions [58.19198103790931]
本稿では,非アフィン制御系における安全クリティカル制御の問題に対処する。制御バリア関数(CBF)を用いて,状態制約と制御制約の2次コストの最適化を2次プログラムのシーケンス(QP)にサブ最適化できることが示されている。我々は,高次CBFをニューラル常微分方程式に基づく学習モデルに差分CBFとして組み込んで,非アフィン制御系の安全性を保証する。
論文参考訳（メタデータ） (2023-09-06T05:35:48Z)
The Hard-Constraint PINNs for Interface Optimal Control Problems [1.6237916898865998]
PINNはインタフェースといくつかの制御制約による最適制御問題を解くために適用可能であることを示す。結果として得られるアルゴリズムはメッシュフリーで、異なるPDEに対してスケーラブルである。
論文参考訳（メタデータ） (2023-08-13T07:56:01Z)
Physics-Informed Neural Operator for Learning Partial Differential Equations [55.406540167010014]
PINOは、演算子を学ぶために異なる解像度でデータとPDE制約を組み込んだ最初のハイブリッドアプローチである。結果の PINO モデルは、多くの人気のある PDE ファミリの基底構造解演算子を正確に近似することができる。
論文参考訳（メタデータ） (2021-11-06T03:41:34Z)
Pointwise Feasibility of Gaussian Process-based Safety-Critical Control under Model Uncertainty [77.18483084440182]
制御バリア関数(CBF)と制御リアプノフ関数(CLF)は、制御システムの安全性と安定性をそれぞれ強化するための一般的なツールである。本稿では, CBF と CLF を用いた安全クリティカルコントローラにおいて, モデル不確実性に対処するためのガウスプロセス(GP)に基づくアプローチを提案する。
論文参考訳（メタデータ） (2021-06-13T23:08:49Z)
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)
Chance-Constrained Control with Lexicographic Deep Reinforcement Learning [77.34726150561087]
本稿では,レキシックなDeep Reinforcement Learning(DeepRL)に基づく確率制約マルコフ決定プロセスを提案する。有名なDeepRLアルゴリズムDQNの辞書版も提案され、シミュレーションによって検証されている。
論文参考訳（メタデータ） (2020-10-19T13:09:14Z)
A Feasibility-Driven Approach to Control-Limited DDP [22.92789455838942]
BOX-FDDPは数値最適化時の動的実現性を制御し,制御限界を確保する。本研究では,四足歩行ロボットとヒューマノイドロボットの複合運動と運動運動の生成によるアプローチの利点を実証する。
論文参考訳（メタデータ） (2020-10-01T13:56:14Z)
Reinforcement Learning for Safety-Critical Control under Model Uncertainty, using Control Lyapunov Functions and Control Barrier Functions [96.63967125746747]
強化学習フレームワークは、CBFおよびCLF制約に存在するモデル不確実性を学ぶ。 RL-CBF-CLF-QPは、安全制約におけるモデル不確実性の問題に対処する。
論文参考訳（メタデータ） (2020-04-16T10:51:33Z)

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。