論文の概要: Modeling and Control of Deep Sign-Definite Dynamics with Application to Hybrid Powertrain Control

• arxiv url: http://arxiv.org/abs/2509.19869v1
• Date: Wed, 24 Sep 2025 08:15:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.73163
• Title: Modeling and Control of Deep Sign-Definite Dynamics with Application to Hybrid Powertrain Control
• Title（参考訳）: ハイブリッドパワートレイン制御による深部符号定値ダイナミクスのモデル化と制御
• Authors: Teruki Kato, Ryotaro Shima, Kenji Kashima,
• Abstract要約: 深層学習は、第一原理モデリングが難しい物理システムやシステムにますます使われる。 我々は,ジャコビアンエントリの制約を満たす新しいタイプの深層学習モデルを開発する。 2タンク方式のハイブリッドシステムでは,提案手法は既存手法よりも制御入力を改善する。
• 参考スコア（独自算出の注目度）: 1.9116784879310027
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep learning is increasingly used for complex, large-scale systems where first-principles modeling is difficult. However, standard deep learning models often fail to enforce physical structure or preserve convexity in downstream control, leading to physically inconsistent predictions and discontinuous inputs owing to nonconvexity. We introduce sign constraints--sign restrictions on Jacobian entries--that unify monotonicity, positivity, and sign-definiteness; additionally, we develop model-construction methods that enforce them, together with a control-synthesis procedure. In particular, we design exactly linearizable deep models satisfying these constraints and formulate model predictive control as a convex quadratic program, which yields a unique optimizer and a Lipschitz continuous control law. On a two-tank system and a hybrid powertrain, the proposed approach improves prediction accuracy and produces smoother control inputs than existing methods.
• Abstract（参考訳）: 深層学習は、第一原理モデリングが困難である複雑な大規模システムにますます利用されている。 しかし、標準的なディープラーニングモデルは、下流制御において物理的構造を強制したり、凸性を保つのに失敗し、物理的に矛盾した予測や非凸性による不連続な入力をもたらす。 単調性, 肯定性, および符号定値性を統一するジャコビアンエントリの符号制限を導入するとともに, それらを強制するモデル構築法を制御合成法とともに開発する。 特に,これらの制約を満たす線形化可能な深部モデルを設計し,一意の最適化法とリプシッツ連続制御法を導出する凸二次計画としてモデル予測制御を定式化する。 2タンクシステムとハイブリッドパワートレインにおいて,提案手法は予測精度を向上し,既存の手法よりもスムーズな制御入力を生成する。

関連論文リスト

• Stochastic Control for Fine-tuning Diffusion Models: Optimality, Regularity, and Convergence [19.484676783876306]
  拡散モデルは生成モデリングの強力なツールとして登場してきた。 微調整拡散モデルのための制御フレームワークを提案する。 PI-FTは線形速度で大域収束することを示す。
  論文  参考訳（メタデータ） (2024-12-24T04:55:46Z)
• Diffusion Predictive Control with Constraints [51.91057765703533]
  拡散予測制御(Diffusion predictive control with constraints,DPCC)は、拡散に基づく制御のアルゴリズムである。 DPCCは,新しいテスト時間制約を満たすために,既存の手法よりも優れた性能を示すロボットマニピュレータのシミュレーションを通して示す。
  論文  参考訳（メタデータ） (2024-12-12T15:10:22Z)
• CAR: Controllable Autoregressive Modeling for Visual Generation [100.33455832783416]
  Controllable AutoRegressive Modeling (CAR)は、条件制御をマルチスケールの潜在変数モデリングに統合する新しいプラグイン・アンド・プレイフレームワークである。 CARは、制御表現を徐々に洗練し、キャプチャし、前訓練されたモデルの各自己回帰ステップに注入して生成プロセスを導く。 提案手法は,様々な条件にまたがって優れた制御性を示し,従来の手法に比べて画質の向上を実現している。
  論文  参考訳（メタデータ） (2024-10-07T00:55:42Z)
• Model order reduction of deep structured state-space models: A system-theoretic approach [0.0]
  深い構造化状態空間モデルは高い予測性能を提供する。 学習された表現は、しばしば非常に大きなモデル順序に悩まされるため、制御設計の目的には適さない。 モデルの整合性を改善するためにトレーニング損失に組み込むことのできる2つの正規化項を導入する。 提示された正則化器は、同相表現と、縮小順序モデルによるより高速な推論という観点で利点をもたらす。
  論文  参考訳（メタデータ） (2024-03-21T21:05:59Z)
• 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)
• 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)
• Policy Analysis using Synthetic Controls in Continuous-Time [101.35070661471124]
  因果推論における手法開発において, 合成制御を用いた因果推定は最も成功した手法の1つである。 本稿では,制御された微分方程式の定式化を明示的に用い,潜在反事実経路をモデル化する連続時間代替法を提案する。
  論文  参考訳（メタデータ） (2021-02-02T16:07:39Z)
• 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。