具有吸引域规划器的混合系统神经网络控制

混合系统在机器人学中十分普遍。然而，由于复杂的连续与离散动力学，确保混合系统的稳定性颇具挑战。一个所有系统模态均稳定的系统仍可能不稳定。因此在模态切换时需特殊处理以稳定系统。本工作中，我们提出一种分层的、基于神经网络（NN）的方法来控制一般混合系统。对于每个系统模态，我们首先学习一个NN Lyapunov函数和一个NN控制器，以确保吸引域（RoA）内的状态可被稳定。随后跨不同模态学习一个RoA NN估计器。在模态切换时，我们提出一个可微规划器，以确保切换后的状态能落入下一模态的RoA，从而稳定混合系统。我们提供了新颖的理论稳定性保证，并在车辆跟踪控制、pogobot导航和双足 walker 行走中进行了实验。我们的方法仅需其他基于学习的方法所需训练时间的0.25倍。在较低运行时间下（比模型预测控制（MPC）快10-50倍），我们的控制器相较其他基线（如MPC、强化学习（RL）、公共Lyapunov方法（CLF）、线性二次调节器（LQR）、二次规划（QP）和基于Hamilton-Jacobian的方法（HJB））实现了更高的稳定性/成功率。项目主页见 https://mit-realm.github.io/hybrid-clf。