基于Koopman不变子空间的非线性动力学极点配置控制的数据驱动端到端学习
系统与控制
2022-08-19 v1 人工智能
机器学习
系统与控制
动力系统
摘要
我们提出了一种基于Koopman算子理论的数据驱动方法，用于控制黑盒非线性动力系统的频率和收敛速率。所提方法中，训练一个策略网络，使得受控动力学Koopman算子的特征值接近目标特征值。该策略网络由一个用于寻找Koopman不变子空间的神经网络和一个用于调整Koopman算子特征值的极点配置模块组成。由于策略网络可微，我们可以使用强化学习以端到端方式对其进行训练。我们证明了该方法比无模型强化学习和带系统辨识的基于模型控制具有更好的性能。
引用
@article{arxiv.2208.08883,
title = {Data-driven End-to-end Learning of Pole Placement Control for Nonlinear Dynamics via Koopman Invariant Subspaces},
author = {Tomoharu Iwata and Yoshinobu Kawahara},
journal= {arXiv preprint arXiv:2208.08883},
year = {2022}
}