論文の概要: Learning Control-Affine Reduced-Order Models via Autoencoders
- arxiv url: http://arxiv.org/abs/2606.05045v1
- Date: Wed, 03 Jun 2026 16:05:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-04 20:44:18.883028
- Title: Learning Control-Affine Reduced-Order Models via Autoencoders
- Title（参考訳）: オートエンコーダによる制御-アフィン還元次数モデルの学習
- Authors: Ali Mjalled, Martin Mönnigmann,
- Abstract要約: 制御-アフィン還元次モデル(ROM)の同定のためのフレームワークを提案する。
提案手法は, オートエンコーダ(AE)を用いて高次元状態, 潜在的に高次元入力を制御-アフィン状態空間力学に適した遅延値に変換する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present in this paper a framework for the identification of control-affine reduced-order models (ROMs). The proposed method utilizes autoencoders (AEs) to transform the high-dimensional states, and potentially the high-dimensional inputs, into reduced latent ones suitable for control-affine state-space dynamics. This is achieved by simultaneous training of the AE and the state-space model. In addition, we extend the discrete ROM formulation to a sequence-based model, which processes state and input histories to improve prediction accuracy while preserving the control-affine structure. We motivate our framework by applying feedback linearization to the derived models, and we present guidelines for its efficient use. The proposed framework is assessed on two numerical examples and its performance is compared to a baseline model, where the AE identifies a latent space with linear state-space dynamics. The assessment involves evaluating the prediction accuracy of the ROM on test data and its effectiveness in controlling the system to a desired state or trajectory.
- Abstract（参考訳）: 本稿では,制御アフィン還元次数モデル (ROM) の同定のためのフレームワークを提案する。
提案手法は, オートエンコーダ(AE)を用いて高次元状態, 潜在的に高次元入力を制御-アフィン状態空間力学に適した遅延値に変換する。
これは、AEと状態空間モデルの同時トレーニングによって達成される。
さらに、離散ROMの定式化をシーケンスベースモデルに拡張し、状態と入力履歴を処理し、制御アフィン構造を保ちながら予測精度を向上させる。
我々は,フィードバック線形化を導出モデルに適用することで,フレームワークのモチベーションを高め,その効率的な利用指針を示す。
提案手法は2つの数値例に基づいて評価し,その性能をベースラインモデルと比較する。
この評価は、テストデータ上でのROMの予測精度の評価と、システムの所望の状態または軌道に対する制御の有効性に関するものである。
関連論文リスト
- Model-Based Diffusion Sampling for Predictive Control in Offline Decision Making [48.998030470623384]
オフラインの意思決定は、さらなるインタラクションを伴わずに、固定データセットからの信頼性の高い振る舞いを必要とする。
i)タスク整列軌道を多様に生成するプランナー,(ii)システム力学との整合性を強制するダイナミクスモデル,(iii)タスク目標に整合した動作を選択するランサーモジュールからなる構成モデルに基づく拡散フレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-09T06:26:02Z) - 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) - Deep Bilinear Koopman Model for Real-Time Vehicle Control in Frenet Frame [0.0]
本稿では,カービリニアFrenetフレーム内の車両力学のモデリングと制御のための深いクープマン手法を提案する。
提案フレームワークは、深層ニューラルネットワークアーキテクチャを使用して、データからクープマン演算子とその関連する不変部分空間を同時に学習する。
提案した制御器は, ベースライン制御器と比較して追従誤差を著しく低減し, 組込み自動運転車システムにおけるリアルタイム実装に適していることを確認した。
論文 参考訳（メタデータ） (2025-07-16T18:49:44Z) - Data-assimilated model-informed reinforcement learning [7.958594167693376]
実際には、センサーはシステムの部分的および雑音的な測定(オブレーション)のみを提供することが多い。
本稿では,部分的かつノイズの多い可観測性を持つカオスシステムの制御を可能にするフレームワークを提案する。
DA-MIRLは、部分的な観測と近似モデルから、環境のカオス的ダイナミクスをリアルタイムで推定し、抑制する。
論文 参考訳（メタデータ） (2025-06-02T15:02:26Z) - 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) - PID Control-Based Self-Healing to Improve the Robustness of Large Language Models [23.418411870842178]
マイナーな摂動は、よく訓練された言語モデルの性能を大幅に低下させる。
我々は、望ましくないモデル行動を修正するために、計算効率の良い自己修復プロセスを構築した。
提案したPID制御による自己修復は、事前訓練された大規模言語モデルの堅牢性を改善するための低コストなフレームワークである。
論文 参考訳（メタデータ） (2024-03-31T23:46:51Z) - 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) - Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。
我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。
我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
論文 参考訳（メタデータ） (2023-10-11T18:38:28Z) - 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)
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。