論文の概要: Nonadaptive Learning in Robust Nonlinear Output Regulation

• arxiv url: http://arxiv.org/abs/2608.17262v1
• Date: Tue, 18 Aug 2026 01:35:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.180176
• Title: Nonadaptive Learning in Robust Nonlinear Output Regulation
• Title（参考訳）: ロバスト非線形出力制御における非適応学習
• Abstract要約: 我々は、この規制問題を、拡張エラーシステムの堅牢な入力-状態安定化として再考する。 我々は、グローバルな規制を確立し、設計利益を選択するための明確で検証可能な不平等を導出する。 結果として生じる非適応フレームワークは、制御系力学が複雑であるか部分的にしか知られていない場合でも、トラッキングエラーの収束を保証する。
• 参考スコア（独自算出の注目度）: 1.1470070927586018
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper considers robust nonadaptive regulation for general nonlinear systems in an output-feedback setting with arbitrarily high relative degree. We develop a nonadaptive design that combines an input-driven filter and a generic internal model with a recursive backstepping law, thereby recasting the regulation problem as the robust input-to-state stabilization of an augmented error system. Unlike adaptive schemes, the proposed method does not rely on linearly parameterized regressors and does not require the construction of Lyapunov functions having merely nonpositive derivatives. Under standard assumptions on the exosystem, including purely imaginary and simple eigenvalues, together with a minimum-phase input-to-state stability condition on the internal dynamics, we establish global asymptotic regulation and derive explicit, verifiable inequalities for selecting the design gains. The resulting nonadaptive framework guarantees convergence of the estimation and tracking errors even when the controlled-system dynamics are complex or only partially known. The effectiveness of the theoretical results is demonstrated using a benchmark controlled Duffing system.
• Abstract（参考訳）: 本稿では、任意の相対次数を持つ出力フィードバック設定における一般非線形系に対するロバストな非適応的制御について考察する。 我々は、入力駆動フィルタと汎用内部モデルと再帰的バックステッピング法とを組み合わせた非適応設計を開発し、これにより、拡張エラーシステムの堅牢な入力-状態安定化として規制問題を再キャストする。 適応型スキームとは異なり、提案手法は線形パラメータ化された回帰器に依存しず、単に非正の微分を持つリャプノフ函数の構成を必要としない。 内部力学における最小位相の入力-状態安定性条件とともに、純粋に想像的かつ単純な固有値を含むエキソシステムに関する標準的な仮定の下で、我々は、大域的な漸近的規制を確立し、設計ゲインを選択するための明確で検証可能な不等式を導出する。 結果として生じる非適応フレームワークは、制御系力学が複雑であるか部分的にしか知られていない場合でも、推定と追跡エラーの収束を保証する。 ベンチマーク制御ダッフィングシステムを用いて理論結果の有効性を実証した。

関連論文リスト

• Non-Parametric Rehearsal Learning via Conditional Mean Embeddings [88.89267783967263]
  本研究では,不必要な未来(AUF)問題をテキスト化するための非パラメトリックリハーサル学習手法を提案する。 具体的には、カーネル機械を用いてAUFの目的を、動作誘起分布変化から所望性モデリングを遠ざける統一表現に再構成する。
  論文  参考訳（メタデータ） (2026-05-09T15:30:52Z)
• Physics-Informed Neural Networks for Nonlinear Output Regulation [3.28594109710934]
  我々は、$(w)$と$c(w)$を直接近似する物理インフォームドニューラルネットワーク(PINN)アプローチを導入する。 この枠組みはヘリコプターの垂直ダイナミックスと調和振動するプラットフォームを同期させる規制タスクで検証される。
  論文  参考訳（メタデータ） (2025-11-17T16:55:42Z)
• Nonadaptive Output Regulation of Second-Order Nonlinear Uncertain Systems [1.3631461603291568]
  本稿では,この問題を解消し,バースト現象を回避するための頑健な制御手法を提案する。 座標変換を導入することにより、ロバストな出力制御問題を非適応安定化問題に変換する。 解析により、拡張システムの出力零化多様体は、提案された非適応制御則によって魅力的にすることができることを示した。
  論文  参考訳（メタデータ） (2025-05-28T00:13:37Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Optimal Output Feedback Learning Control for Discrete-Time Linear Quadratic Regulation [3.885549098032255]
  動的出力フィードバック学習制御を用いて,未知の離散時間系の線形2次制御問題について検討する。 状態フィードバックとは対照的に、LQR問題を解決するための動的出力フィードバック制御の最適性は、状態オブザーバの収束に関する暗黙の条件を必要とする。 本稿では、収束性、安定性、最適性性能を保証した一般化された動的出力フィードバック学習制御手法を提案する。
  論文  参考訳（メタデータ） (2025-03-08T14:02:16Z)
• Adaptive Conformal Inference by Betting [51.272991377903274]
  データ生成プロセスについて仮定することなく適応型共形推論の問題を考察する。 適応型共形推論のための既存のアプローチは、オンライン勾配勾配の変種を用いたピンボール損失の最適化に基づいている。 本稿では,パラメータフリーなオンライン凸最適化手法を利用した適応型共形推論手法を提案する。
  論文  参考訳（メタデータ） (2024-12-26T18:42:08Z)
• Unifying Controller Design for Stabilizing Nonlinear Systems with Norm-Bounded Control Inputs [8.573073817861973]
  本稿では,ノルム有界な入力制約を持つ非線形システムの安定化制御系の設計における課題を再考する。 Lin-Sontagの普遍的な公式を拡張し、汎用的な(状態に依存した)スケーリング項を導入することにより、統一的なコントローラ設計法を提案する。
  論文  参考訳（メタデータ） (2024-03-05T15:06:16Z)
• Sub-linear Regret in Adaptive Model Predictive Control [56.705978425244496]
  本稿では,STT-MPC (Self-Tuning tube-based Model Predictive Control) について述べる。 システム力学を最初に認識したアルゴリズムと比較して,アルゴリズムの後悔を解析する。
  論文  参考訳（メタデータ） (2023-10-07T15:07:10Z)
• 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)
• Technical Report: Adaptive Control for Linearizable Systems Using On-Policy Reinforcement Learning [41.24484153212002]
  本稿では,未知システムに対するフィードバック線形化に基づくトラッキング制御系を適応的に学習するフレームワークを提案する。 学習した逆モデルがすべての時点において可逆である必要はない。 二重振り子の模擬例は、提案された理論の有用性を示している。
  論文  参考訳（メタデータ） (2020-04-06T15:50:31Z)
• 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。