Mar, 2024

基于结构化深度神经网络的拉格朗日系统反馈轨迹跟踪控制

PDF
TL;DR本研究提出了一种基于深度神经网络的控制器，用于拉格朗日系统的轨迹跟踪控制，并通过适当设计神经网络结构来确保任何兼容的神经网络参数下的闭环稳定性，进一步优化神经网络参数可实现改进的控制性能。同时，在系统模型未知的情况下，通过改进的拉格朗日神经网络结构学习系统动力学并设计控制器，在模型逼近误差和外部干扰存在时仍可保证闭环稳定性和跟踪控制性能，并通过仿真验证了该方法的有效性。
deep neural networksdnn-based controllertrajectory tracking controllagrangian systemsclosed-loop stability
发现论文，激发创造
  • 系统级安全防护：通过不确定的神经网络动力学模型实现安全跟踪控制

    利用神经网络作为预测模型来解决具有不确定性的动力系统的轨迹跟踪问题，并通过混合整数线性规划方法提供了整体系统的安全保证。

    Dec, 2023

  • 动态系统中深度神经网络在线自适应的控制理论技术

    利用控制论技术，通过在线适应法更新深度神经网络参数，控制域偏移以及解决稳定性和迁移学习问题，提高深度神经网络基于学习的系统的性能和保证。

    Feb, 2024

  • 神经降落器：使用学得动力学进行稳定的无人机降落控制

    本文提出了一种基于深度学习的鲁棒非线性控制器，提高了四旋翼降落时的控制性能，并通过实验证明了该控制器在降落和横向轨迹跟踪方面均显著优于传统的非线性控制方法。

    Nov, 2018

  • 基于稀疏神经动力学的模型控制

    使用深度神经网络从观测中学习预测模型是解决现实世界规划和控制问题的一种有前景的新方法。本文提出了一个新的集成模型学习和预测控制框架，通过逐渐稀疏化神经网络以有效优化算法进行端到端的优化，从而在保证预测准确性的基础上取得更好的闭环控制性能。

    Dec, 2023

  • 受控约束的深度网络模型用于增强动态系统的控制

    不需了解动力学的情况下控制动态系统是一项重要且具有挑战性的任务。我们提出了一种控制理论方法，通过加入可控性约束来增强数据估计的模型，从而实现从数据中提取更有效的控制器。该方法展示了基于深度神经网络的模型估计与解决方案性质的控制理论保证之间的联系，并在两个标准经典控制系统中证明了其优势。

    Nov, 2023

  • 基于李雅普诺夫的辍学深度神经网络 (简称 Lb-DDNN) 控制器

    本研究开发了一种基于 dropout 的深度神经网络自适应控制器，该控制器通过随机选择每个层内的权重进行随机失活，并引入基于 Lyapunov 的实时权重调整规律来实现在线无监督学习。经过非光滑的 Lyapunov 稳定性分析，该控制器保证了跟踪误差的渐近收敛。与无 dropout 正则化的自适应深度神经网络控制器相比，模拟结果显示跟踪误差提高了 38.32%，函数逼近误差改善了 53.67%，控制效果降低了 50.44%。

    Oct, 2023

  • 用神经网络学习哈密顿系统的轨迹

    本文提出了一种使用提高了的积分方案的 Hamilton 神经网络，结合使用深度隐藏的物理模型来对保守系统进行数值模拟的方法，可以成功处理低采样率、嘈杂和不准确观测值。

    Apr, 2022

  • 离散时间系统的神经李雅普诺夫控制

    提出了一种针对离散时间系统学习神经 Laypunov 控制器的方法，其中包括计算 Lyapunov 控制函数的混合整数线性规划方法、计算子水平集的新方法以及基于启发式梯度的方法以加速学习 Lyapunov 函数。实验结果表明，该方法在四个标准测试中均优于目前的基线方法，并且在车杆和 PVTOL 测试中是第一个自动化控制器的学习方法。

    May, 2023

  • 机械系统结构学习的通用框架

    本文提出了使用神经网络对力学系统的 Lagrangian 以及作用在该系统上的广义力进行建模的方法，说明该方法优于黑匣子模型的数据效率和模型强化学习性能，并进行了系统研究以验证该方法融入先前知识提高了其数据效率。

    Feb, 2019

  • 深度跟踪控制：用于多功能和鲁棒运动的基于模型规划和强化学习的统一方法

    通过结合在线规划的预测能力和离线学习的内在稳健性，我们提出了一个混合控制架构，以同时实现更高的稳健性、脚步精确度和地形泛化。

    Sep, 2023