状态与输出反馈的李雅普诺夫稳定神经控制：一种新颖的表述
机器学习
2024-06-06 v2 人工智能
机器人学
系统与控制
系统与控制
最优化与控制
摘要
基于学习的神经网络（NN）控制策略在机器人和控制的广泛任务中展现出了出色的经验性能。然而，对于具有非线性动力学系统的NN控制器，在其吸引域（ROA）上获得形式化（李雅普诺夫）稳定性保证具有挑战性，且现有大多数方法依赖于昂贵的求解器，如平方和（SOS）、混合整数规划（MIP）或可满足性模理论（SMT）。在本文中，我们展示了一个新的框架，使用快速的经验证伪和策略性正则化来学习NN控制器及李雅普诺夫证书。我们提出了一种新颖的表述，定义了比文献中所示更大的可验证吸引域（ROA），并改进了传统的李雅普诺夫导数限制性约束，使其仅聚焦于可认证的ROA。李雅普诺夫条件事后使用分支定界与可扩展的基于线性界传播的NN验证技术进行了严格验证。该方法高效且灵活，完整的训练和验证过程在GPU上加速，而不依赖昂贵的SOS、MIP或SMT求解器。我们框架的灵活性和效率使我们首次在文献中展示了具有形式化稳定性保证的李雅普诺夫稳定输出反馈控制，其中使用了合成的基于NN的控制器和基于NN的观测器。源代码位于 https://github.com/Verified-Intelligence/Lyapunov_Stable_NN_Controllers
引用
@article{arxiv.2404.07956,
title = {Lyapunov-stable Neural Control for State and Output Feedback: A Novel Formulation},
author = {Lujie Yang and Hongkai Dai and Zhouxing Shi and Cho-Jui Hsieh and Russ Tedrake and Huan Zhang},
journal= {arXiv preprint arXiv:2404.07956},
year = {2024}
}
备注
Paper accepted by ICML 2024