面向保证稳定性的基于学习控制的神经收缩度量理论综述
机器学习
2021-10-05 v1 机器人学
系统与控制
系统与控制
最优化与控制
摘要
本文对神经收缩度量（NCM）进行理论综述：NCM 是一种最优收缩度量及相应微分 Lyapunov 函数的神经网络模型，其存在是非自治非线性系统轨迹增量指数稳定性的充要条件。其创新之处在于为基于学习控制框架提供形式化鲁棒性保证，利用收缩理论作为分析工具，通过凸优化研究所学系统的非线性稳定性。特别地，我们在本文中严格证明，通过将学习方案的建模误差视为外部扰动，NCM 控制能够获得时变目标轨迹与扰动解轨迹之间距离显式界，该距离即使在确定性与随机扰动存在下也随时间指数衰减。这些有用特性允许由神经网络同时综合收缩度量与关联控制律，从而为一般控制仿射非线性系统实现可实时计算且可能鲁棒的基于学习控制。
引用
@article{arxiv.2110.00693,
title = {A Theoretical Overview of Neural Contraction Metrics for Learning-based Control with Guaranteed Stability},
author = {Hiroyasu Tsukamoto and Soon-Jo Chung and Jean-Jacques Slotine and Chuchu Fan},
journal= {arXiv preprint arXiv:2110.00693},
year = {2021}
}
备注
IEEE Conference on Decision and Control (CDC), Preprint Version. Accepted July, 2021