非线性受控系统因果可观测函数学习的 Koopman-DFL 提升线性化及其在挖掘自动化中的应用
机器人学
2021-08-04 v3
摘要
利用神经网络从数据中学习用于非线性受控系统低阶提升线性化的有效且因果的可观测函数。尽管 Koopman 算子理论允许我们在可观测量的无限维空间中将非线性系统表示为线性系统，但精确线性化仅对无输入的自治系统有保证，且为低阶线性系统逼近寻找有效的可观测函数仍是一个开放问题。Dual-Faceted Linearization（双面线性化）使用一组有效的可观测量进行低阶提升线性化，但该方法需要了解非线性系统的物理结构。本文提出一种数据驱动方法，用于生成一组非线性可观测函数，能够将非线性控制系统精确逼近为低阶线性控制系统。使用被测变量数据作为可观测量的一个隐患是，被测变量可能包含系统输入，这会在提升系统（即对可观测量求导）时引发因果矛盾。当前工作提出了一种消除可观测量的此类反因果分量并仅使用因果可观测量提升系统的方法。该方法应用于挖掘自动化这一复杂非线性动力学系统，获得了用于控制器设计的低阶提升线性模型。
引用
@article{arxiv.2104.02004,
title = {Learning of Causal Observable Functions for Koopman-DFL Lifting Linearization of Nonlinear Controlled Systems and Its Application to Excavation Automation},
author = {Nicholas Stearns Selby and H. Harry Asada},
journal= {arXiv preprint arXiv:2104.02004},
year = {2021}
}
备注
The contents of this paper were also selected by the CASE 2021 Program Committee for presentation at the conference