CHyLL：学习混合系统的连续神经表示
机器学习
2025-12-12 v1 人工智能
机器人学
系统与控制
信号处理
系统与控制
摘要
学习同时具有连续和离散时间动力学的混合系统的流是一项具有挑战性的任务。现有方法在每个离散模式下学习动力学，这受到模式切换和流中不连续性组合的影响。在这项工作中，我们提出了 CHyLL（潜在空间中的连续混合系统学习），它无需轨迹分割、事件函数或模式切换即可学习混合系统的连续神经表示。CHyLL 的关键洞察是，重置映射在 guard 曲面处粘合状态空间，将状态空间重新表述为分段光滑的商流形，其中流在空间上变得连续。基于这些洞察和以微分拓扑为基础的嵌入定理，CHyLL 同时学习高维空间中无奇点的神经嵌入以及其中的连续流。我们展示了 CHyLL 能够以卓越的精度准确预测混合系统的流，并识别混合系统的拓扑不变量。最后，我们将 CHyLL 应用于随机最优控制问题。
引用
@article{arxiv.2512.10117,
title = {CHyLL: Learning Continuous Neural Representations of Hybrid Systems},
author = {Sangli Teng and Hang Liu and Jingyu Song and Koushil Sreenath},
journal= {arXiv preprint arXiv:2512.10117},
year = {2025}
}