論文の概要: Learning Stabilizing Latent Feedback Controllers via Multi-Step Backward Losses

• arxiv url: http://arxiv.org/abs/2610.40931v1
• Date: Thu, 29 Oct 2026 20:03:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 22:05:31.484365
• Title: Learning Stabilizing Latent Feedback Controllers via Multi-Step Backward Losses
• Title（参考訳）: マルチステップ後方損失を用いた遅延フィードバック制御系の学習
• Abstract要約: 線形オートエンコーダを学習することで,元のシステムを安定化させるフィードバックコントローラの設計を支援することができることを示す。 非線形オートエンコーダの学習には,再構築と前方予測が不可欠であることを示す。 非線形アームシステムの実験は、非線形オートエンコーダの学習における結果の実用的意義を示唆している。
• 参考スコア（独自算出の注目度）: 10.282281360418219
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Can learned latent dynamics models support the design of feedback controllers that provably stabilize the original system? For linear time-invariant systems, we show that learning linear autoencoders and latent dynamics with multi-step prediction-reconstruction losses $\unicode{x2014}$ which we term "backward losses" as they encourage latent trajectories to reconstruct full state trajectories $\unicode{x2014}$ provably recovers the structure needed for stabilization. Specifically, a sufficiently long reconstruction horizon ensures that a minimum ${H}_\infty$-norm controller designed using the learned latent model stabilizes the original system through output-feedback via the corresponding encoder, provided the latent dimension is large enough to capture all non-stable modes of the underlying system. We also show why both reconstruction and a multi-step horizon are essential: forward prediction losses that require only low prediction error along latent trajectories admit global loss minimizers that discard unstable modes regardless of horizon length, while single-step reconstruction losses can yield latent models whose stabilizing controllers fail to stabilize the original system. Finally, experiments on a non-linear flexible-arm system illustrate the practical implications of our results for learning non-linear autoencoders and latent dynamics.
• Abstract（参考訳）: 潜在力学モデルは、元のシステムを確実に安定化させるフィードバックコントローラの設計をサポートすることができるだろうか? 線形時間不変系の場合、線形自己エンコーダと潜在ダイナミクスを学習し、多段階の予測・再構成損失$\unicode{x2014}$とすると、潜在トラジェクトリが完全な状態トラジェクトリ$\unicode{x2014}$は安定化に必要な構造を確実に復元することを示す。 具体的には、学習潜在モデルを用いて設計された最小の${H}_\infty$-normコントローラが対応するエンコーダを介して出力フィードバックによって元のシステムを安定化することを保証する。 遅延軌道に沿った低予測誤差のみを必要とする前方予測損失は、水平線長に関わらず不安定モードを破棄する大域的損失最小化器を許容する一方、単一ステップ再構成損失は、安定化コントローラが元のシステムを安定化できない潜時モデルを生成することができる。 最後に,非線形フレキシブルアームシステムを用いた実験により,非線形オートエンコーダや潜時力学の学習において,実験結果の実用的意義を明らかにした。

関連論文リスト

• Preserving Unstable Modes Through Inverse Dynamics in JEPA World Models [38.18297524375959]
  ロボットシステムはしばしば不安定なモードを示し、小さな摂動や乱れがフィードバックによって修正されない限り成長を引き起こす。 共同埋め込み予測アーキテクチャ(JEPA)は、視覚データからそのような表現とそのダイナミクスを学習するための自然なフレームワークを提供する。 我々は,次のステップ予測と反崩壊正則化を組み合わせることで,制御可能な不安定モードが保存されることを保証できないことを示す。
  論文  参考訳（メタデータ） (2026-10-06T00:08:43Z)
• Lindblad-Inspired Multi-Timescale Reservoir Computing with Separable Rotation and Dissipation [0.08057006406834467]
  我々は、構造化状態空間モデリングでオープンシステム力学の原理を橋渡しする古典的なリンドブラッドにインスパイアされたマルチタイムスケール貯水池を導入する。 本手法は, 標準, 漏れ, 深度, ゲート, サイクル, 次世代貯水池に対して10種以上で評価した。 ベンチマークスイート全体にわたって,提案した貯留層は,有界NARMA-20上での最良の固定貯留層性能と,ローレンツ-63上での最低平均誤差を達成している。
  論文  参考訳（メタデータ） (2026-07-27T18:48:32Z)
• Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
  Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。 NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-21T16:45:31Z)
• KoopGen: Koopman Generator Networks for Representing and Predicting Dynamical Systems with Continuous Spectra [65.11254608352982]
  生成元をベースとしたニューラル・クープマン・フレームワークを導入し,構造的かつ状態に依存したクープマン・ジェネレータの表現を通じて動的にモデル化する。 固有のカルテス分解をスキュー結合および自己結合成分に利用することにより、KoopGenは可逆的な散逸から保守的な輸送を分離する。
  論文  参考訳（メタデータ） (2026-02-15T06:32:23Z)
• RRAEDy: Adaptive Latent Linearization of Nonlinear Dynamical Systems [2.4662459762262894]
  本稿では,潜在空間における低次元力学の学習モデルであるRRAEDyを紹介する。 我々はRRAEDyが正確かつ堅牢な予測を実現することを示す。 私たちのコードはオープンソースで、https://github.com/JadM133/RRAEDy.comで公開しています。
  論文  参考訳（メタデータ） (2025-12-08T13:23:12Z)
• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Robust Model-Free Learning and Control without Prior Knowledge [1.14219428942199]
  本稿では,未知の離散時間線形系を頑健に学習し,安定化するモデルフリー制御アルゴリズムを提案する。 コントローラはシステムダイナミクス、障害、ノイズに関する事前の知識を必要としない。 一般化と簡易性にもかかわらず、制御器はクローズドループ性能がよいことを示すシミュレーション結果で結論を下す。
  論文  参考訳（メタデータ） (2020-10-01T05:43:33Z)
• Lipschitz Recurrent Neural Networks [100.72827570987992]
  我々のリプシッツ再帰ユニットは、他の連続時間RNNと比較して、入力やパラメータの摂動に対してより堅牢であることを示す。 実験により,Lipschitz RNNは,ベンチマークタスクにおいて,既存のリカレントユニットよりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-06-22T08:44:52Z)
• Learning Stabilizing Controllers for Unstable Linear Quadratic Regulators from a Single Trajectory [85.29718245299341]
  線形2次制御器(LQR)としても知られる2次コストモデルの下で線形制御器を研究する。 楕円形不確実性集合内の全ての系を安定化させる制御器を構成する2つの異なる半定値プログラム(SDP)を提案する。 高い確率で安定化コントローラを迅速に識別できる効率的なデータ依存アルゴリズムであるtextsceXplorationを提案する。
  論文  参考訳（メタデータ） (2020-06-19T08:58:57Z)
• 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。