元自适应非线性控制：理论与算法
机器学习
2021-10-28 v3 人工智能
机器人学
系统与控制
系统与控制
摘要
我们提出一种用于自适应非线性控制的在线多任务学习方法，称之为在线元自适应控制（OMAC）。其目标是在对抗扰动和未知的环境相关非线性动力学下控制一个非线性系统，前提是假设环境相关动力学可由某种共享表示很好地刻画。我们的方法受机器人控制启发，即机器人系统会遇到一系列必须快速适应的新环境条件。一个关键重点是将在线表示学习与控制理论中既有方法相融合，从而得到一个统一的框架，同时给出控制理论与学习理论的保证。我们在不同条件下给出了该方法的实例化，从而首次给出了多任务非线性控制的非渐近端到端收敛保证。OMAC 也可与深度表示学习相结合。实验表明，在变化风况下的倒立摆与 6-DoF 无人机控制任务中，OMAC 显著优于不学习共享表示的传统自适应控制方法。
引用
@article{arxiv.2106.06098,
title = {Meta-Adaptive Nonlinear Control: Theory and Algorithms},
author = {Guanya Shi and Kamyar Azizzadenesheli and Michael O'Connell and Soon-Jo Chung and Yisong Yue},
journal= {arXiv preprint arXiv:2106.06098},
year = {2021}
}
备注
35th Conference on Neural Information Processing Systems (NeurIPS 2021), Sydney, Australia