一种面向控制的嵌入式特征选择框架
机器学习
2022-06-23 v1 人工智能
摘要
在保持最优控制性能的同时减少传感器需求，对于许多工业控制应用实现鲁棒、低成本和计算高效的控制器至关重要。然而，典型机器学习领域的现有特征选择方案很难应用于具有时变动态的 control 领域。本文提出一种新颖的框架，即双世界嵌入式注意力特征选择（D-AFS），可高效地为动态控制系统选择最相关的传感器。与大多数深度强化学习（DRL）算法使用的单一世界不同，D-AFS 同时拥有真实世界及其特征扭曲的虚拟对应世界。通过分析 DRL 在两个世界中的响应，D-AFS 能够定量识别各特征对控制的重要性。本文采用著名的主动流控问题——圆柱减阻——进行评估。结果表明，D-AFS 成功找到了优化的五探头布局，相比具有 151 个探头的最新水平方案减阻 18.7%，相比人类专家的五探头布局减阻 49.2%。我们还将该方案应用于四个 OpenAI 经典控制案例。在所有案例中，D-AFS 均达到与原方案相同或更优的传感器配置。我们认为，结果凸显了一种为实验或工业系统实现高效最优传感器设计的新途径。我们的源代码已公开于 https://github.com/G-AILab/DAFSFluid。
引用
@article{arxiv.2206.11064,
title = {An Embedded Feature Selection Framework for Control},
author = {Jiawen Wei and Fangyuan Wang and Wanxin Zeng and Wenwei Lin and Ning Gui},
journal= {arXiv preprint arXiv:2206.11064},
year = {2022}
}
备注
9 pages, 9 figures, accepted by SIGKDD 2022