协学习端口哈特顿系统与最优能量塑形控制
系统与控制
2026-05-07 v2 人工智能
机器学习
系统与控制
最优化与控制
机器学习
摘要
我们发展了一种针对端口哈特顿(pH)系统的能量塑形控制的物理信息学习框架。该方法通过交替优化与策略感知数据收集，协同学习 pH 系统模型和最优能量平衡被动控制器(EB-PBC)。在每一迭代中，均使用当前控制策略下收集的轨迹数据细化系统模型，并在更新后的模型上重新优化控制器。两个组件均由嵌入 pH 动力学和 EB-PBC 结构的神经网络参数化，确保以能量相互作用术语解释。所学控制器使闭环系统具内在被动性并可证明稳定，同时利用被动植物动力学而不消除其自然势能。耗散正则化在训练期间强制能量严格衰减，从而增强对仿真到现实差距的鲁棒性。该框架在平面和扭转摆锤系统的状态调节和摆起任务上得到验证。
引用
@article{arxiv.2604.26172,
title = {Co-Learning Port-Hamiltonian Systems and Optimal Energy-Shaping Control},
author = {Ankur Kamboj and Biswadip Dey and Vaibhav Srivastava},
journal= {arXiv preprint arXiv:2604.26172},
year = {2026}
}