論文の概要: Data driven feedback linearization of nonlinear control systems via Lie derivatives and stacked regression approach

• arxiv url: http://arxiv.org/abs/2508.13241v1
• Date: Mon, 18 Aug 2025 06:51:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-20 15:36:31.681619
• Title: Data driven feedback linearization of nonlinear control systems via Lie derivatives and stacked regression approach
• Title（参考訳）: リー微分と重回帰法による非線形制御系のデータ駆動フィードバック線形化
• Authors: Lakshmi Priya P. K., Andreas Schwung,
• Abstract要約: 本稿では,既知の挙動に基づくフィードバック線形化物理系の同定手法を提案する。 従来と異なり、本論文の新たな側面は、重回帰アルゴリズムのアプローチと相対次数条件を組み合わせて、物理モデルの真の支配方程式を発見し、フィードバックするものである。
• 参考スコア（独自算出の注目度）: 3.8750364147156247
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Discovering the governing equations of a physical system and designing an effective feedback controller remains one of the most challenging and intensive areas of ongoing research. This task demands a deep understanding of the system behavior, including the nonlinear factors that influence its dynamics. In this article, we propose a novel methodology for identifying a feedback linearized physical system based on known prior dynamic behavior. Initially, the system is identified using a sparse regression algorithm, subsequently a feedback controller is designed for the discovered system by applying Lie derivatives to the dictionary of output functions to derive an augmented constraint which guarantees that no internal dynamics are observed. Unlike the prior related works, the novel aspect of this article combines the approach of stacked regression algorithm and relative degree conditions to discover and feedback linearize the true governing equations of a physical model.
• Abstract（参考訳）: 物理システムの制御方程式を発見し、効果的なフィードバックコントローラを設計することは、現在進行中の研究の中で最も困難で集中的な領域の1つだ。 このタスクは、その力学に影響を与える非線形因子を含むシステムの振る舞いを深く理解する必要がある。 本稿では,既知の挙動に基づくフィードバック線形化物理系の同定手法を提案する。 当初、システムはスパース回帰アルゴリズムを用いて識別され、その後、出力関数の辞書にリー微分を適用することで、内部ダイナミクスが観測されないことを保証する拡張制約を導出することにより、発見システムのためにフィードバックコントローラが設計される。 従来と異なり、本論文の新たな側面は、重回帰アルゴリズムのアプローチと相対次数条件を組み合わせて、物理モデルの真の支配方程式を発見し、フィードバックするものである。

関連論文リスト

• Certified Neural Approximations of Nonlinear Dynamics [52.79163248326912]
  安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。 本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
  論文  参考訳（メタデータ） (2025-05-21T13:22:20Z)
• Neural Contraction Metrics with Formal Guarantees for Discrete-Time Nonlinear Dynamical Systems [17.905596843865705]
  収縮メトリクスは、様々な力学系の安定性、堅牢性、収束性を分析する強力なフレームワークを提供する。 しかしながら、複雑な非線形系に対するこれらの指標の同定は、効果的なツールが欠如しているため、未解決の課題である。 本稿では,離散的スケーラブル非線形システムに対する検証可能な収縮指標について述べる。
  論文  参考訳（メタデータ） (2025-04-23T21:27:32Z)
• LeARN: Learnable and Adaptive Representations for Nonlinear Dynamics in System Identification [0.0]
  非線形システム識別フレームワークLeARNを導入する。 基礎関数のライブラリをデータから直接学習することで、事前のドメイン知識の必要性を超越します。 我々はNeural Flyデータセットのフレームワークを検証し、その堅牢な適応と能力を示す。
  論文  参考訳（メタデータ） (2024-12-16T18:03:23Z)
• Koopman-based Deep Learning for Nonlinear System Estimation [1.3791394805787949]
  複素非線形系の有意な有限次元表現を抽出するために、クープマン作用素理論に基づく新しいデータ駆動線形推定器を提案する。 我々の推定器は推定された非線形系の微分同相変換にも適応しており、再学習せずに最適な状態推定を計算できる。
  論文  参考訳（メタデータ） (2024-05-01T16:49:54Z)
• Stochastic Nonlinear Control via Finite-dimensional Spectral Dynamic Embedding [21.38845517949153]
  本稿では,非線形系の最適制御のためのスペクトルダイナミクス埋め込み制御(SDEC)を提案する。 これはシステムの非線形力学によって誘導される無限次元の特徴表現を明らかにし、状態-作用値関数の線形表現を可能にする。
  論文  参考訳（メタデータ） (2023-04-08T04:23:46Z)
• Structure-Preserving Learning Using Gaussian Processes and Variational Integrators [62.31425348954686]
  本稿では,機械系の古典力学に対する変分積分器と,ガウス過程の回帰による残留力学の学習の組み合わせを提案する。 我々は、既知のキネマティック制約を持つシステムへのアプローチを拡張し、予測の不確実性に関する公式な境界を提供する。
  論文  参考訳（メタデータ） (2021-12-10T11:09:29Z)
• A Latent Restoring Force Approach to Nonlinear System Identification [0.0]
  この研究は、システムの未知の非線形項の寄与を抽出し同定するためのベイズフィルタに基づくアプローチを提案する。 この手法は、シミュレートされたケーススタディと実験的なベンチマークデータセットの両方で有効であることが示されている。
  論文  参考訳（メタデータ） (2021-09-22T12:21:16Z)
• Supervised DKRC with Images for Offline System Identification [77.34726150561087]
  現代の力学系はますます非線形で複雑なものになりつつある。 予測と制御のためのコンパクトで包括的な表現でこれらのシステムをモデル化するフレームワークが必要である。 本手法は,教師付き学習手法を用いてこれらの基礎関数を学習する。
  論文  参考訳（メタデータ） (2021-09-06T04:39:06Z)
• DySMHO: Data-Driven Discovery of Governing Equations for Dynamical Systems via Moving Horizon Optimization [77.34726150561087]
  本稿では,スケーラブルな機械学習フレームワークである移動水平最適化(DySMHO)による動的システムの発見について紹介する。 DySMHOは、基底関数の大きな辞書から基礎となる支配方程式を逐次学習する。 標準非線形力学系の例は、DySMHOが規則を正確に回復できることを示すために用いられる。
  論文  参考訳（メタデータ） (2021-07-30T20:35:03Z)
• Physics-informed Spline Learning for Nonlinear Dynamics Discovery [8.546520029145853]
  非線形ダイナミクスの準同次制御方程式を発見するための物理インフォメーションスプライン学習フレームワークを提案する。 このフレームワークは、わずかにサンプリングされたノイズデータに基づいている。 提案手法の有効性と優位性は,複数の非線形力学系によって実証されている。
  論文  参考訳（メタデータ） (2021-05-05T23:32:43Z)
• Active Learning for Nonlinear System Identification with Guarantees [102.43355665393067]
  状態遷移が既知の状態-作用対の特徴埋め込みに線形に依存する非線形力学系のクラスについて検討する。 そこで本稿では, トラジェクティブ・プランニング, トラジェクティブ・トラッキング, システムの再推定という3つのステップを繰り返すことで, この問題を解決するためのアクティブ・ラーニング・アプローチを提案する。 本手法は, 非線形力学系を標準線形回帰の統計速度と同様, パラメトリック速度で推定する。
  論文  参考訳（メタデータ） (2020-06-18T04:54:11Z)

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。