論文の概要: Optimal Derivative Feedback Control for an Active Magnetic Levitation System: An Experimental Study on Data-Driven Approaches

• arxiv url: http://arxiv.org/abs/2602.06944v1
• Date: Fri, 06 Feb 2026 18:42:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 22:18:26.537155
• Title: Optimal Derivative Feedback Control for an Active Magnetic Levitation System: An Experimental Study on Data-Driven Approaches
• Title（参考訳）: アクティブ磁気浮上システムの最適導出フィードバック制御:データ駆動方式の実験的検討
• Authors: Saber Omidi, Rene Akupan Ebunle, Se Young Yoon,
• Abstract要約: 本稿では,アクティブ磁気浮上システムのためのデータ駆動型最適微分フィードバックコントローラの設計と実装について述べる。 直接モデルフリーなアプローチでは、複数のプロセスデータを集めるためにエポックループと呼ばれる反復層を追加するポリシーの反復手順が提案されている。 以上の結果から, 両制御器は名目モデルから設計した制御器と比較して, 磁気浮上系の性能を安定させ, 向上させることができるが, 直接モデルフリーアプローチは複数のエポックが許容された場合, 間接解よりも常に優れることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents the design and implementation of data-driven optimal derivative feedback controllers for an active magnetic levitation system. A direct, model-free control design method based on the reinforcement learning framework is compared with an indirect optimal control design derived from a numerically identified mathematical model of the system. For the direct model-free approach, a policy iteration procedure is proposed, which adds an iteration layer called the epoch loop to gather multiple sets of process data, providing a more diverse dataset and helping reduce learning biases. This direct control design method is evaluated against a comparable optimal control solution designed from a plant model obtained through the combined Dynamic Mode Decomposition with Control (DMDc) and Prediction Error Minimization (PEM) system identification. Results show that while both controllers can stabilize and improve the performance of the magnetic levitation system when compared to controllers designed from a nominal model, the direct model-free approach consistently outperforms the indirect solution when multiple epochs are allowed. The iterative refinement of the optimal control law over the epoch loop provides the direct approach a clear advantage over the indirect method, which relies on a single set of system data to determine the identified model and control.
• Abstract（参考訳）: 本稿では,アクティブ磁気浮上システムのためのデータ駆動型最適微分フィードバックコントローラの設計と実装について述べる。 強化学習フレームワークに基づく直接モデル自由制御設計法を,数値的に同定されたシステムの数学的モデルから導出される間接最適制御設計と比較する。 直接モデルフリーなアプローチでは、エポックループと呼ばれる反復層を追加して、複数のプロセスデータを収集し、より多様なデータセットを提供し、学習バイアスを減らすためのポリシー反復手順が提案されている。 この直接制御設計法は、DMDc(Dynamic Mode Decomposition with Control)とPEM(Prediction Error Minimization)を併用したプラントモデルから設計した最適制御法に対して評価される。 以上の結果から, 両制御器は名目モデルから設計した制御器と比較して, 磁気浮上系の性能を安定させ, 向上させることができるが, 直接モデルフリーアプローチは複数のエポックが許容された場合, 間接解よりも常に優れることがわかった。 エポックループ上での最適制御則の反復的改善は、同定されたモデルと制御を決定するための単一のシステムデータに依存する間接法よりも明確な優位性を提供する。

関連論文リスト

• ScaleWeaver: Weaving Efficient Controllable T2I Generation with Multi-Scale Reference Attention [86.93601565563954]
  ScaleWeaverは、高度な視覚的自己回帰(VAR)モデルに基づいて、高忠実で制御可能な生成を実現するために設計されたフレームワークである。 提案された参照注意モジュールは image$rightarrow$condition から不要な注意を排除し、計算コストを削減している。 実験によると、ScaleWeaverは、拡散ベースの方法よりも優れた効率を実現しつつ、高品質な生成と正確な制御を提供する。
  論文  参考訳（メタデータ） (2025-10-16T17:00:59Z)
• Data-Driven Adaptive PID Control Based on Physics-Informed Neural Networks [0.0]
  本稿では適応利得最適化の原理に基づくデータ駆動型PIDコントローラの設計を提案する。 提案手法は、PINNの自動微分により達成されるPIDゲイン最適化の勾配を利用する。
  論文  参考訳（メタデータ） (2025-10-06T08:46:20Z)
• SafEDMD: A Koopman-based data-driven controller design framework for nonlinear dynamical systems [0.4077787659104315]
  SafEDMDは、新しい安定性とフィードバック指向のコントローラ設計フレームワークである。 基礎となる非線形システムの安定化を保証した半定値プログラミングに基づくコントローラ設計を確立する。 主成分として、原点で消失し、制御タスクに適した比例誤差境界を導出する。
  論文  参考訳（メタデータ） (2024-02-05T16:12:36Z)
• Tuning Legged Locomotion Controllers via Safe Bayesian Optimization [47.87675010450171]
  本稿では,ロボットハードウェアプラットフォームにおけるモデルベースコントローラの展開を効率化するための,データ駆動型戦略を提案する。 モデルフリーな安全な学習アルゴリズムを用いて制御ゲインのチューニングを自動化し、制御定式化で使用される単純化されたモデルと実システムとのミスマッチに対処する。
  論文  参考訳（メタデータ） (2023-06-12T13:10:14Z)
• Optimal Control of Nonlinear Systems with Unknown Dynamics [4.551160285910024]
  本稿では,閉ループ最適制御器の探索のためのデータ駆動方式を提案する。 任意の初期状態が与えられた未知の力学を持つ系に対する特定の無限水平コスト関数を最小化する。
  論文  参考訳（メタデータ） (2023-05-24T14:27:22Z)
• 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)
• Control as Hybrid Inference [62.997667081978825]
  本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。 連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
  論文  参考訳（メタデータ） (2020-07-11T19:44:09Z)
• Data Driven Control with Learned Dynamics: Model-Based versus Model-Free Approach [0.0]
  モデルベースとモデルフリーの2種類のデータ駆動制御手法を比較した。 最近提案されたDeep Koopman Representation for Control (DKRC)は、未知の非線形力学系を高次元線形系にマッピングするためにディープニューラルネットワークを利用する。 もう1つは、アクター批判アーキテクチャに基づく古典的なモデルフリー制御手法である、Deep Deterministic Policy Gradient (DDPG)は、様々な力学系で有効であることが証明されている。
  論文  参考訳（メタデータ） (2020-06-16T22:18:21Z)

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。