論文の概要: Event-triggered Control and Online Learning for Networked Systems under Computational Delays
- arxiv url: http://arxiv.org/abs/2608.29576v1
- Date: Sun, 30 Aug 2026 05:45:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.000669
- Title: Event-triggered Control and Online Learning for Networked Systems under Computational Delays
- Title（参考訳）: 計算遅延下におけるネットワークシステムのイベントトリガー制御とオンライン学習
- Abstract要約: リソース集約型オンライン学習アルゴリズムは、非無視の計算遅延を導入する。
遠隔計算ノード上に学習ベースのコントローラを配置することにより、ネットワーク内オンライン学習ベースの制御構造を用いる。
イベントトリガード戦略の提案は、時間トリガードシナリオと同じ制御性能を実現することが証明されている。
- 参考スコア（独自算出の注目度）: 15.660609184037988
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Online learning-based control is a promising approach to control uncertain systems, where unknown components are identified during operation to improve control performance. However, resource-intensive online learning algorithms introduce non-negligible computational delays, especially when executed on systems with limited local computational resources. To mitigate this, an in-network online learning-based control structure is employed by deploying the learning-based controller on a remote computation node and connecting it via a communication channel. In this paper, control performance guarantee is first established by deriving tracking error bound for the in-network control architecture, while accounting for computational delays. The derived tracking error bound allows for diverse communication and computation strategies under a specific condition, including time-/event-triggered mechanisms. Additionally, the trade-off between communication and computation performances is shown for a given desired control performance. Furthermore, to enhance the efficiency in both communication and computation, an efficient control framework with an asynchronous event-triggered mechanism in both control and online learning is devised under the existence of computational delay. The proposed event-triggered strategy is proven to achieve the same control performance as time-triggered scenario while excluding Zeno behavior. Finally, we derive an explicit expression of the proposed event-trigger condition for exponentially stabilizable systems, and demonstrate its effectiveness through simulations.
- Abstract（参考訳）: オンライン学習に基づく制御は、制御性能を向上させるために、操作中に未知のコンポーネントが識別される不確実なシステムを制御するための有望なアプローチである。
しかし、リソース集約型オンライン学習アルゴリズムは、特に限られたローカルな計算資源を持つシステムで実行される場合、非無視的な計算遅延をもたらす。
これを軽減するために、遠隔計算ノードに学習ベースのコントローラを配置し、通信チャネルを介して接続することで、ネットワーク内オンライン学習ベースの制御構造を用いる。
本稿では,ネットワーク内制御アーキテクチャのトラッキングエラーを導出し,計算遅延を考慮した制御性能保証を行う。
引き起こされたトラッキングエラーバウンダリは、時間/イベントトリガー機構を含む、特定の条件下での多様な通信および計算戦略を可能にする。
さらに、所望の制御性能に対して、通信性能と計算性能のトレードオフを示す。
さらに,コミュニケーションと計算の効率性を高めるため,制御とオンライン学習の両方において非同期イベントトリガー機構を備えた効率的な制御フレームワークを,計算遅延の存在下で考案した。
提案したイベントトリガ戦略は,Zenoの動作を除外しながら,時間トリガーシナリオと同じ制御性能を実現することが実証された。
最後に,指数的に安定化可能なシステムに対するイベントトリガー条件の明示的な表現を導き,シミュレーションによりその効果を実証する。
関連論文リスト
- Hierarchical Prompt-Domain Control and Learning for Resource-Constrained Agentic Language Models [0.0]
大規模言語モデルはエージェントシステム内にますます展開されている。
本稿では,要求された出力スキーマを学習するために,まず,コンパクトなモデルを蒸留する階層的な制御・学習フレームワークを提案する。
非階層的,蒸留専用,非蒸留ベースラインに対する信頼性とコスト効率の向上を示す。
論文 参考訳（メタデータ） (2026-05-26T21:23:30Z) - Integrated Sensing, Communication, and Computation for Over-the-Air Federated Edge Learning [52.904670248426626]
本稿では,統合されたセンサ,通信,計算機能を備えた空対空フェデレーションエッジ・ラーニング(Air-FEEL)システムについて検討する。
バッチサイズ制御とネットワークリソース割り当てを交互に最適化することにより、低複雑さI SCCアルゴリズムを導出する。
論文 参考訳（メタデータ） (2025-08-21T02:46:46Z) - Neural Network-assisted Interval Reachability for Systems with Control Barrier Function-Based Safe Controllers [1.77513002450736]
制御バリア関数(CBF)は、動的システムのための最適化ベースのコントローラとフィルタの設計に広く利用されている。
CBFベースのコントローラは安全保証を提供するが、システムの性能を損なう可能性がある。
最適化制御器を用いたシステムの性能検証のための計算効率の良い区間到達性手法を提案する。
論文 参考訳（メタデータ） (2025-04-11T04:14:55Z) - Improving the Performance of Robust Control through Event-Triggered
Learning [74.57758188038375]
LQR問題における不確実性に直面していつ学習するかを決定するイベントトリガー学習アルゴリズムを提案する。
本研究では,ロバストな制御器ベースライン上での性能向上を数値例で示す。
論文 参考訳（メタデータ） (2022-07-28T17:36:37Z) - Networked Online Learning for Control of Safety-Critical
Resource-Constrained Systems based on Gaussian Processes [9.544146562919792]
本稿では,ガウス過程の回帰に基づく新しいネットワーク型オンライン学習手法を提案する。
本稿では,送信チャネルの帯域制限と時間遅延を考慮した,ローカルシステムとクラウド間の効率的なデータ伝送方式を提案する。
論文 参考訳（メタデータ） (2022-02-23T13:12:12Z) - Deep Reinforcement Learning for Wireless Scheduling in Distributed Networked Control [37.10638636086814]
完全分散無線制御システム(WNCS)の周波数チャネル数に制限のある結合アップリンクとダウンリンクのスケジューリング問題を考える。
深層強化学習(DRL)に基づくフレームワークを開発した。
DRLにおける大きなアクション空間の課題に対処するために,新しいアクション空間削減法とアクション埋め込み法を提案する。
論文 参考訳（メタデータ） (2021-09-26T11:27:12Z) - Better than the Best: Gradient-based Improper Reinforcement Learning for
Network Scheduling [60.48359567964899]
パケット遅延を最小限に抑えるため,制約付き待ち行列ネットワークにおけるスケジューリングの問題を考える。
我々は、利用可能な原子ポリシーよりも優れたスケジューラを生成するポリシー勾配に基づく強化学習アルゴリズムを使用する。
論文 参考訳（メタデータ） (2021-05-01T10:18:34Z) - Online Learning Probabilistic Event Calculus Theories in Answer Set
Programming [70.06301658267125]
イベント認識(CER)システムは、事前に定義されたイベントパターンを使用して、ストリーミングタイムスタンプデータセットで発生を検出する。
本稿では,複雑なイベントパターンによる確率論的推論を,イベント計算で重み付けされたルールの形で行うことができるAnswer Set Programming(ASP)に基づくシステムを提案する。
その結果, 効率と予測の両面で, 新たなアプローチの優位性が示された。
論文 参考訳（メタデータ） (2021-03-31T23:16:29Z) - Deep reinforcement learning of event-triggered communication and control
for multi-agent cooperative transport [9.891241465396098]
協調輸送のためのコミュニケーション・制御戦略の設計問題に対処する多エージェント強化学習手法を検討する。
我々のフレームワークはイベントトリガーアーキテクチャ、すなわち通信入力を演算するフィードバックコントローラと、入力を再更新する必要があるタイミングを決定するトリガー機構を利用する。
論文 参考訳（メタデータ） (2021-03-29T01:16:12Z) - Learning Event-triggered Control from Data through Joint Optimization [7.391641422048646]
イベントトリガー制御戦略のモデルフリー学習のためのフレームワークを提案する。
階層的強化学習に基づく新しいアルゴリズムを提案する。
得られたアルゴリズムは, 資源の節約や非線形・高次元システムへのシームレスなスケールで, 高性能な制御を実現する。
論文 参考訳（メタデータ） (2020-08-11T14:15:38Z) - Anticipating the Long-Term Effect of Online Learning in Control [75.6527644813815]
AntLerは、学習を予想する学習ベースの制御法則の設計アルゴリズムである。
AntLer は確率 1 と任意に最適な解を近似することを示す。
論文 参考訳（メタデータ） (2020-07-24T07:00:14Z) - Online Reinforcement Learning Control by Direct Heuristic Dynamic
Programming: from Time-Driven to Event-Driven [80.94390916562179]
時間駆動学習は、新しいデータが到着すると予測モデルのパラメータを継続的に更新する機械学習手法を指す。
ノイズなどの重要なシステムイベントによる時間駆動型dHDPの更新を防止することが望ましい。
イベント駆動型dHDPアルゴリズムは,従来の時間駆動型dHDPと比較して動作することを示す。
論文 参考訳（メタデータ） (2020-06-16T05:51:25Z)
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。