論文の概要: On the Generalization of Data-Assisted Control in port-Hamiltonian Systems (DAC-pH)

• arxiv url: http://arxiv.org/abs/2506.07079v1
• Date: Sun, 08 Jun 2025 10:44:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.662576
• Title: On the Generalization of Data-Assisted Control in port-Hamiltonian Systems (DAC-pH)
• Title（参考訳）: ポート・ハミルトンシステム(DAC-pH)におけるデータアシスト制御の一般化について
• Authors: Mostafa Eslami, Maryam Babazadeh,
• Abstract要約: 本稿ではポート・ハミルトニアン (p$mathcalH$) システムに対する仮説的ハイブリッド制御フレームワークを提案する。 システムの進化は、右手側(RHS)と左手側(LHS)の2つの部分に分けられ、構造的およびパラメトリックな不確実性の両方に対処する散逸・入出力フローである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper introduces a hypothetical hybrid control framework for port-Hamiltonian (p$\mathcal{H}$) systems, employing a dynamic decomposition based on Data-Assisted Control (DAC). The system's evolution is split into two parts with fixed topology: Right-Hand Side (RHS)- an intrinsic Hamiltonian flow handling worst-case parametric uncertainties, and Left-Hand Side (LHS)- a dissipative/input flow addressing both structural and parametric uncertainties. A virtual port variable $\Pi$ serves as the interface between these two components. A nonlinear controller manages the intrinsic Hamiltonian flow, determining a desired port control value $\Pi_c$. Concurrently, Reinforcement Learning (RL) is applied to the dissipative/input flow to learn an agent for providing optimal policy in mapping $\Pi_c$ to the actual system input. This hybrid approach effectively manages RHS uncertainties while preserving the system's inherent structure. Key advantages include adjustable performance via LHS controller parameters, enhanced AI explainability and interpretability through the port variable $\Pi$, the ability to guarantee safety and state attainability with hard/soft constraints, reduced complexity in learning hypothesis classes compared to end-to-end solutions, and improved state/parameter estimation using LHS prior knowledge and system Hamiltonian to address partial observability. The paper details the p$\mathcal{H}$ formulation, derives the decomposition, and presents the modular controller architecture. Beyond design, crucial aspects of stability and robustness analysis and synthesis are investigated, paving the way for deeper theoretical investigations. An application example, a pendulum with nonlinear dynamics, is simulated to demonstrate the approach's empirical and phenomenological benefits for future research.
• Abstract（参考訳）: 本稿では,データアシスト制御(DAC)に基づく動的分解を用いて,ポート・ハミルトン系(p$\mathcal{H}$)システムに対する仮説的ハイブリッド制御フレームワークを提案する。 システムの進化は、右手側(RHS)と左手側(LHS)の2つの部分に分けられ、構造的およびパラメトリックな不確実性の両方に対処する散逸・入出力フローである。 仮想ポート変数$\Pi$は、これらの2つのコンポーネント間のインターフェイスとして機能する。 非線形コントローラは固有のハミルトン流を管理し、所望のポート制御値$\Pi_c$を決定する。 同時に、Reinforcement Learning(RL)が散逸/入出力フローに適用され、実際のシステム入力に$\Pi_c$をマッピングする最適なポリシーを提供するエージェントを学習する。 このハイブリッドアプローチは、システム固有の構造を維持しながら、RHSの不確実性を効果的に管理する。 主な利点は、LHSコントローラパラメータによる調整可能なパフォーマンス、ポート変数$\Pi$によるAI説明可能性と解釈性の向上、ハード/ソフト制約による安全性と状態到達性を保証する機能、エンドツーエンドソリューションと比較しての学習仮説クラスの複雑さの低減、LHSの事前知識とシステムハミルトンによる部分的可観測性への対処のための状態/パラメータ推定の改善である。 論文は p$\mathcal{H}$ の定式化を詳述し、分解を導出し、モジュラーコントローラアーキテクチャを提示する。 設計以外にも、安定性と堅牢性の分析と合成の重要な側面が研究され、より深い理論的研究の道が開けた。 応用例として、非線形力学を持つ振り子をシミュレートし、将来の研究に対するアプローチの実証的および現象学的利点を実証する。

関連論文リスト

• Neural Port-Hamiltonian Models for Nonlinear Distributed Control: An Unconstrained Parametrization Approach [0.0]
  ニューラルネットワーク(NN)は、優れたパフォーマンスをもたらす制御ポリシのパラメータ化に利用することができる。 NNの小さな入力変更に対する感度は、クローズドループシステムの不安定化のリスクを引き起こす。 これらの問題に対処するために、ポート・ハミルトンシステムのフレームワークを活用して、連続時間分散制御ポリシーを設計する。 提案する分散コントローラの有効性は,非ホロノミック移動ロボットのコンセンサス制御によって実証される。
  論文  参考訳（メタデータ） (2024-11-15T10:44:29Z)
• 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)
• Finite-time System Identification and Adaptive Control in Autoregressive Exogenous Systems [79.67879934935661]
  未知のARXシステムのシステム識別と適応制御の問題について検討する。 我々は,オープンループとクローズループの両方のデータ収集の下で,ARXシステムに対する有限時間学習保証を提供する。
  論文  参考訳（メタデータ） (2021-08-26T18:00:00Z)
• Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
  ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。 本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
  論文  参考訳（メタデータ） (2021-05-17T08:36:18Z)
• Data-Driven Optimized Tracking Control Heuristic for MIMO Structures: A Balance System Case Study [8.035375408614776]
  PIDは2入力の2アウトプットバランスシステムで示される。 自己調整型非線形しきい値とニューラルネットワークを統合し、所望の過渡特性と定常特性を妥協する。 ニューラルネットワークは、客観的コスト関数のような重み付き導関数の最適化を訓練する。
  論文  参考訳（メタデータ） (2021-04-01T02:00:20Z)
• 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 Subcarrier, Parameter, and Power Allocation for Partitioned Edge Learning Over Broadband Channels [69.18343801164741]
  パーティショニングエッジ学習(PARTEL)は、無線ネットワークにおいてよく知られた分散学習手法であるパラメータサーバトレーニングを実装している。 本稿では、いくつかの補助変数を導入してParticleELを用いてトレーニングできるディープニューラルネットワーク(DNN)モデルについて考察する。
  論文  参考訳（メタデータ） (2020-10-08T15:27:50Z)
• 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。