論文の概要: MAKO: Meta-Adaptive Koopman Operators for Learning-based Model Predictive Control of Parametrically Uncertain Nonlinear Systems

• arxiv url: http://arxiv.org/abs/2510.09042v1
• Date: Fri, 10 Oct 2025 06:23:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 00:38:48.208637
• Title: MAKO: Meta-Adaptive Koopman Operators for Learning-based Model Predictive Control of Parametrically Uncertain Nonlinear Systems
• Title（参考訳）: MAKO:パラメトリック不確かさ非線形システムの学習モデル予測制御のためのメタ適応クープマン演算子
• Authors: Minghao Han, Kiwan Wong, Adrian Wing-Keung Law, Xunyuan Yin,
• Abstract要約: メタアダプティブ・クープマン演算子 (MAKO) と呼ばれる適応型メタラーニングに基づくモデリング手法を提案する。 提案手法は, モデル精度と制御効率の両面において, 競合するベースラインと比較して優れた性能を示す。
• 参考スコア（独自算出の注目度）: 5.760286686122843
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we propose a meta-learning-based Koopman modeling and predictive control approach for nonlinear systems with parametric uncertainties. An adaptive deep meta-learning-based modeling approach, called Meta Adaptive Koopman Operator (MAKO), is proposed. Without knowledge of the parametric uncertainty, the proposed MAKO approach can learn a meta-model from a multi-modal dataset and efficiently adapt to new systems with previously unseen parameter settings by using online data. Based on the learned meta Koopman model, a predictive control scheme is developed, and the stability of the closed-loop system is ensured even in the presence of previously unseen parameter settings. Through extensive simulations, our proposed approach demonstrates superior performance in both modeling accuracy and control efficacy as compared to competitive baselines.
• Abstract（参考訳）: 本研究では,パラメトリック不確実性を持つ非線形システムに対するメタラーニングに基づくクープマンモデリングと予測制御手法を提案する。 メタアダプティブ・クープマン演算子 (MAKO) と呼ばれる適応型メタラーニングに基づくモデリング手法を提案する。 パラメトリック不確実性に関する知識がなければ、提案手法はマルチモーダルデータセットからメタモデルを学び、オンラインデータを用いることで、以前は見つからなかったパラメータ設定を持つ新しいシステムに効率的に適応することができる。 学習したメタクープマンモデルに基づいて予測制御方式を開発し,従来見つからなかったパラメータ設定が存在する場合でも閉ループシステムの安定性を確保する。 提案手法は, モデル精度と制御効率の両面において, 競合するベースラインと比較して優れた性能を示す。

関連論文リスト

• A robust and adaptive MPC formulation for Gaussian process models [2.6661512675766037]
  不確実な非線形システムに対する頑健で適応的なモデル予測制御(MPC)フレームワークを提案する。 MPC の定式化に取り入れた指標を用いて,GP モデルのロバストな予測を導出する。 本研究では, モデル地盤効果を考慮した平面四重項の数値的な例を示す。
  論文  参考訳（メタデータ） (2025-07-02T19:27:14Z)
• Fuzzy Model Identification and Self Learning with Smooth Compositions [1.9573380763700716]
  本稿では,動的システムのためのスムーズなモデル同定と自己学習戦略を開発する。 我々は,モデルが連続的かつ滑らかな表面上のシステムの変化と変化に従うように,この問題を解決しようと試みてきた。
  論文  参考訳（メタデータ） (2024-12-31T20:19:02Z)
• MPC of Uncertain Nonlinear Systems with Meta-Learning for Fast Adaptation of Neural Predictive Models [6.031205224945912]
  ニューラル状態空間モデル(NSSM)は、ディープエンコーダネットワークがデータから非線形性を学ぶ非線形系を近似するために用いられる。 これにより非線形系を潜在空間の線形系に変換し、モデル予測制御(MPC)を用いて効果的な制御動作を決定する。
  論文  参考訳（メタデータ） (2024-04-18T11:29:43Z)
• Nonlinear sparse variational Bayesian learning based model predictive control with application to PEMFC temperature control [16.703859991393568]
  本研究は非線形システムのための非線形スパース変分学習に基づくMPC(NSVB-MPC)を開発する。 変分推論はNSVB-MPCによって予測精度を評価し、システムの不確実性を定量化するために必要な修正を行う。
  論文  参考訳（メタデータ） (2024-04-15T07:30:26Z)
• 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)
• End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control [45.84205238554709]
  本研究では, (e)NMPCの一部として最適性能を示すために, Koopman シュロゲートモデルの強化学習法を提案する。 エンドツーエンドトレーニングモデルは,(e)NMPCにおけるシステム識別を用いてトレーニングしたモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-08-03T10:21:53Z)
• Learning Stable Koopman Embeddings [9.239657838690228]
  本稿では,非線形システムの安定モデル学習のための新しいデータ駆動手法を提案する。 離散時間非線形契約モデルはすべて、我々のフレームワークで学習できることを実証する。
  論文  参考訳（メタデータ） (2021-10-13T05:44:13Z)
• COMBO: Conservative Offline Model-Based Policy Optimization [120.55713363569845]
  ディープニューラルネットワークのような複雑なモデルによる不確実性推定は困難であり、信頼性が低い。 我々は,サポート外状態動作の値関数を正規化するモデルベースオフラインRLアルゴリズムCOMBOを開発した。 従来のオフラインモデルフリーメソッドやモデルベースメソッドと比べて、comboは一貫してパフォーマンスが良いことが分かりました。
  論文  参考訳（メタデータ） (2021-02-16T18:50:32Z)

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。