FRIDAY：基于DNN的实时学习稳定LQR控制器用于不确定扰动下的非线性系统
系统与控制
2024-12-04 v1 系统与控制
摘要
线性二次型调节器（LQR）常与反馈线性化（FBL）组合用于具有输入附加非线性的非线性系统。常规方法基于首要原理或如高斯过程（GPs）等数据驱动方法估计并消除非线性，但前者需要精细的建模过程，后者提供固定的学习模型，当模型动力学变化时可能受影响。在本文中，我们采用深度神经网络（DNN），在控制运行时实时更新数据集，以近似未知的非线性，同时LQR控制器正在运行。对每个时间步的权重进行谱归一化处理，我们稳定地将DNN预测纳入LQR控制器，以补偿非线性项。利用DNN有界 Lipschitz 常数的特性，我们提供理论分析并证明所提控制器在局部指数稳定性。仿真结果表明，本控制器在轨迹跟踪案例中显著优于基准控制器。
引用
@article{arxiv.2412.01103,
title = {FRIDAY: Real-time Learning DNN-based Stable LQR controller for Nonlinear Systems under Uncertain Disturbances},
author = {Takahito Fujimori},
journal= {arXiv preprint arXiv:2412.01103},
year = {2024}
}
备注
10 pages, 4 figures, submitted to Learning for Dynamics and Control 2024 (Rejected)