[论文解读] Learning-based Adaptive Control via Contraction Theory.
该论文提出了一种基于深度学习的自适应控制框架aNCM，利用神经网络近似最优收缩度量，以稳定具有参数不确定性的非线性系统。通过结合收缩理论，aNCM在存在学习误差和扰动的情况下，确保了跟踪误差的指数有界性，其在小车载平衡任务中的表现优于现有方法。
We present a deep learning-based adaptive control framework for nonlinear systems with multiplicatively separable parametrization, called aNCM - for adaptive Neural Contraction Metric. The framework utilizes a deep neural network to approximate a stabilizing adaptive control law parameterized by an optimal contraction metric. The use of deep networks permits real-time implementation of the control law and broad applicability to a variety of systems, including systems modeled with basis function approximation methods. We show using contraction theory that aNCM ensures exponential boundedness of the distance between the target and controlled trajectories even under the presence of the parametric uncertainty, robustly to the learning errors caused by aNCM approximation as well as external additive disturbances. Its superiority to the existing robust and adaptive control methods is demonstrated in a simple cart-pole balancing task.
研究动机与目标
- 开发一种用于具有乘法可分参数化的非线性系统的实时自适应控制框架。
- 利用深度学习解决非线性系统中的参数不确定性和外部扰动问题。
- 利用收缩理论确保跟踪误差的鲁棒指数有界性。
- 实现对基于基函数近似建模的系统的广泛适用性。
- 在稳定性与性能方面超越现有的鲁棒与自适应控制方法。
提出的方法
- 该框架采用深度神经网络来近似自适应控制的最优收缩度量。
- 控制律由收缩度量参数化，该度量通过神经网络学习，以确保系统稳定性。
- 应用收缩理论证明目标轨迹与受控轨迹之间距离的指数有界性。
- 该方法对学习近似误差和加法性外部扰动均具有鲁棒性。
- 通过小车载平衡任务验证了该方法的优越性，证明其优于现有控制方法。
- 参数化形式为乘法可分，从而实现了控制律的高效表示与学习。
实验结果
研究问题
- RQ1深度神经网络能否有效近似非线性系统中自适应控制的最优收缩度量？
- RQ2aNCM框架如何在参数不确定性和外部扰动下确保系统稳定性？
- RQ3aNCM方法在仿真中相较于现有鲁棒与自适应控制技术的性能优越程度如何？
- RQ4收缩理论在存在学习误差的情况下，如何保证跟踪误差的指数有界性？
- RQ5该框架能否广泛应用于基于基函数近似方法建模的系统？
主要发现
- aNCM框架在存在参数不确定性的情况下，确保了目标轨迹与受控轨迹之间跟踪误差的指数有界性。
- 该方法对神经网络带来的学习近似误差和外部加法性扰动均具有鲁棒性。
- 采用收缩理论为系统在不确定性存在下的稳定性提供了理论保证。
- 该框架通过深度网络近似实现了自适应控制律的实时实现。
- 在小车载平衡任务中，aNCM表现出优于现有鲁棒与自适应控制方法的性能。
- 该方法可广泛应用于具有乘法可分参数化和基函数建模的系统。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。