基于 Lyapunov 分析的量子灵感强化学习用于连续时间车辆控制：可行性研究
量子物理
2025-10-22 v1 人工智能
机器学习
系统与控制
系统与控制
摘要
本文提出了一种新颖的基于 Lyapunov 的量子强化学习(LQRL)框架，将量子策略优化与 Lyapunov 稳定性分析集成用于连续时间车辆控制。该方法结合了变分量子电路(VQCs)的表示能力与稳定性感知策略梯度机制，以确保渐近收敛和在动态环境下的安全决策。将车辆纵向控制问题表述为连续状态强化学习任务，其中量子策略网络受 Lyapunov 稳定性约束生成控制动作。 conducted 在闭环自适应巡航控制场景下的仿真实验中，使用稳定性反馈训练的量子灵感策略进行了闭环测试。结果表明，LQRL 框架成功地将 Lyapunov 稳定性验证嵌入量子策略学习中，实现了可解释且稳定性感知的控制性能。尽管在激进加速情况下观察到瞬态超调和 Lyapunov 发散，但系统保持了受限的状态演化，验证了在自主系统和混合量子-经典优化领域中嵌入安全保证的可行性。该框架为向具备可证明安全性的量子控制在自主系统和混合量子-经典优化领域的 foundational 一步。
引用
@article{arxiv.2510.18852,
title = {Lyapunov-Aware Quantum-Inspired Reinforcement Learning for Continuous-Time Vehicle Control: A Feasibility Study},
author = {Nutkritta Kraipatthanapong and Natthaphat Thathong and Pannita Suksawas and Thanunnut Klunklin and Kritin Vongthonglua and Krit Attahakul and Aueaphum Aueawatthanaphisut},
journal= {arXiv preprint arXiv:2510.18852},
year = {2025}
}
备注
7 pages, 4 figures, 20 equations, 3 appendices, 4 tables